Dagens tema: Middelværdi/varians-optimale porteføljer

Størrelse: px
Starte visningen fra side:

Download "Dagens tema: Middelværdi/varians-optimale porteføljer"

Transkript

1 Dagens tema: Middelværdi/varians-optimale porteføljer Geometrien; frihåndstegninger. Et eksempel; 2004 opg. 3 med samt julelege. Tre sætninger: - To-fondsseparation (Prop. 30); fond (fund) bruges blot som et andet ord for (en bestemt) portefølje. - Ortogonalitetslemmma (Prop. 3) - Kovariansrepræsentation af forventede afkast (Prop. 32); næsten CAPM Matematisk set blot omskrivninger af førsteordensbetingelser for middelværdi/varians-optimalitet, men interessante økonomiske fortolkninger. RP (IMF) Finansiering 8. februar 2009 / 26

2 Middelværdi/varians-analyse på slide Problemet: min w w Σw under bibetingelserne: w µ = µ P w =. Løsningen: hvor A = ŵ = Σ [ µ ] A [ µp [ µ Σ µ µ Σ µ Σ Σ ] =: ] [ a b b c Denne portefølje kaldes for minimum-varians-porteføljen hørende til µ P. Den mindst mulige varians er σ 2 P := cµ2 P 2µ Pb + a ac b 2. RP (IMF) Finansiering 8. februar / 26 ].

3 Geometrien: Den efficiente rand Samenhørende par af minimum-varians-porteføljers afkastrates middelværdi og varians. Global minimum-varians porteføljer; gmv. Effficent rand: Dem over gmv. Hele kurven: Kritisk rand. (Men jeg er ikke lingvistisk pedantisk.) Småting: Af historiske årsager ombyttede akser. Mest behageligt at regne på σ 2 P som funtion af µ P. Parabel i (σ 2 P,µ P)-rum; hyperbel i (σ P,µ P )-rum. Det er ikke porteføljer, vi tegner. RP (IMF) Finansiering 8. februar / 26

4 Sommer 2004, opgave 3 Betragt en porteføljevalgsmodel med 3 usikre aktiver (aktier, numereret, 2 og 3), hvis afkastrater har forventede værdier (µ) og kovarianser (Σ) givet ved: µ = , Σ = I første omgang antages modellen ikke at have et risikofrit aktiv.. RP (IMF) Finansiering 8. februar / 26

5 Spg. 3.a [0%] Bestem den efficiente rand ( the efficient frontier ) og vægtene for porteføljerne på denne, de (middelværdi/varians-)efficiente porteføljer. Illustrer grafisk. Det kan være nyttigt at kende disse to matricer: [ ] A = [µ ] Σ [µ ] = og Σ [µ ]A = RP (IMF) Finansiering 8. februar / 26

6 Idet a, b og c er vores sædvanlige navngivning af indgangene i A-matricen, så er den kritiske rand er bestemt ved σ 2 P = a 2bµ P + cµ 2 P ac b 2 = µ P µ 2 P, og porteføljevægtene for minimum-varians-proteføljerne er givet ved ( ) x P = Σ [µ ]A µp Den globale minimum-varians portefølje har en forventet afkastrate på b/c = og en varians på /c = 0.038, og således en standardafvigelse på = RP (IMF) Finansiering 8. februar / 26

7 De efficiente porteføljer er de minimum-varians porteføljer, hvis forventede afkastrate ligger over afkastraten på den globale minimum-varians portefølje. I figuren kan man se den efficiente rand tegnet i (standardafvigelse, forventet afkast)-rummet (hvor der er en hyperbel). Efficiente rande forventet pf afkastrate : Eff. rand uden risikofrit aktiv (Spg. 3.a) : Eff. rand med risikofrit aktiv (Spg. 3.c) standardafvigelse af pf afklastrate RP (IMF) Finansiering 8. februar / 26

8 Spg. 3.b [5%] Betragt en portefølje givet ved vægtene x G = (/2,/2,0). Find dens forventede afkastrate og afkastratens varians og standardafvigelse. Er x G efficient? Svar. 3.b Forventet afkastrate og standardafvigelse (når vi omdefinerer x G til en søjlevektor, hvis vi er meget pedantiske) er µ G = µ x G = 0.06 og σ G = xg Σx G = Den efficiente portefølje med forventet afkastrate 0.06 har en standardafvigelse på Så nej, x G er ikke efficient. RP (IMF) Finansiering 8. februar / 26

9 Spg. 3.d [0%] Er nedenstående udsagn sande eller falske? (Eller kanske noget helt andet, fx ikke til at afgøre på det foreliggende grundlag, eller meningsløse.) Enhver konveks kombination af to eller flere efficiente porteføjler er efficient. Enhver konveks kombination af to eller flere inefficiente porteføjler er inefficient. (En konveks kombination af vektorerne x,...,x n er som bekendt en vektor af formen n i= α ix i, hvor α i erne er positive relle tal, hvis sum er.) RP (IMF) Finansiering 8. februar / 26

10 Første udsagn er sandt vi beviser det starks. Andet udsagn er falskt. (Bemærk: Der står enhver.) Selvfølgelig findes der konvekse kombinationer af inefficiente porteføljer, der er efficiente. Alle porteføljer (specielt de efficiente) laves jo ud fra enkeltaktiverne, der (typisk) er inefficiente. Konveksiteten kunne man evt. bekymre sig om, for hva nu hvis der slet ikke findes efficiente porteføljer med positive vægte i enkeltaktiverne? Og er enkeltaktiverne inefficiente? - Lav (mod)eksempel med tallene i opgaven. - Tae nk på en model med n uafhængige, identiske aktiver; her har den globale minimum-varians-portefølje /n i hver. RP (IMF) Finansiering 8. februar / 26

11 Proposition 30: To-fondsseparation Lad w a og w b være minimum-varians-porteføljer med forventede afkastrater µ a og µ b med µ a µ b. Da gælder at: En vilkårlig vektor w c af porteføljevægte er en minimum-varians-portefølje hvis og kun hvis der findes α R så w c = αw a + ( α)w b. 2 Hvis w a og w b begge er efficiente porteføljer, så er αw a + ( α)w b også en efficient portefølje for 0 α. Bevis: Husk: en vektor af porteføljevægte w er en minimum-varians-portefølje hvis og kun hvis w = Σ [ µ ] A [ µp ]. () RP (IMF) Finansiering 8. februar 2009 / 26

12 Ad (i): kun hvis Lad w c være en minimum-varians-portefølje med forventet afkastrate µ c, og lad α være løsning til µ c = αµ a + ( α)µ b, dvs. α = µ c µ b µ a µ b (α er veldefineret da µ a µ b ). RP (IMF) Finansiering 8. februar / 26

13 Da w a og w b begge er minimum-varians-porteføljer har vi iflg. (): w c = Σ [ µ ] [ ] A µc = Σ [ µ ] [ ] A αµa + ( α)µ b = ασ [ µ ] [ ] A µa + ( α)σ [ µ ] [ ] A µb = αw a + ( α)w b. RP (IMF) Finansiering 8. februar / 26

14 Ad (i): hvis Hvis w c er en portefølje med forventet afkastrate µ c og w c har formen w c = αw a + ( α)w b for et α R, så er µ c = E(wc r) = E ( αw a + ( α)wb ) = αe(wa r) + ( α)e(wb r) = αµ a + ( α)µ b RP (IMF) Finansiering 8. februar / 26

15 og dermed w c = αw a + ( α)w b = ασ [ µ ] A [ µa ] + ( α)σ [ µ ] A [ µb ] (iflg. () da w a og w b begge er minimum-varians-porteføljer) = Σ [ µ ] A [ αµa + ( α)µ b ] = Σ [ µ ] A [ µc ] så w c er en minimum-varians-portefølje iflg. (). RP (IMF) Finansiering 8. februar / 26

16 To-fondsseparation resultatet siger, at en investor (der formodes at ville investere i en efficient portefølje) kun har behov for at kunne handle to typer af porteføljer, og det er ligegyldigt hvilke to det er, så længe de begge to er efficiente porteføljer. Hvis vi derfor kan finde to sådanne porteføljer, som rent faktisk kan handles i markedet, så er det i praksis muligt for en investor at ligge på den efficiente rand uden selv at skulle handle i alle n aktiver i markedet. Specielt bliver det således principielt overflødigt at handle individuelle aktiver. To-fondsseparation har stor betydning som fundament for CAPM-modellen, som vi skal se på næste gang. RP (IMF) Finansiering 8. februar / 26

17 To vektorer af porteføljevægte w og w kaldes ortogonale hvis deres afkastrater har kovarians 0, dvs. hvis wσ w = 0. ( Ortogonal fordi Σ definerer et indre produkt mht. hvilket...) RP (IMF) Finansiering 8. februar / 26

18 Proposition 3: Ortogonalitetslemma Til enhver minimum-varians-portefølje w mv w gmv findes en entydigt bestemt ortogonal minimum-varians-portefølje w zmv. Hvis w mv har forventet afkastrate µ mv, så har w zmv forventet afkastrate µ zmv = a bµ mv b cµ mv, hvor a,b,c som sædvanlig er de tre indgange i matricen A. RP (IMF) Finansiering 8. februar / 26

19 Bevis: (Basalt set: Regn efter!) En minimum-varians-portefølje w zmv ortogonal med w mv opfylder ( 0 = wmv Σw zmv = Σ [ µ ] [ ]) A µmv ΣΣ [ µ ] [ A µzmv = [ µ mv ] [ ] A µ Σ [ µ ] [ ] A µzmv }{{} =A = [ µ mv ] [ ] A µzmv = [ µ mv ] [ c b ac b 2 b a = (µ mvc b)µ zmv µ mv b + a ac b 2 ] [ µzmv ] ] RP (IMF) Finansiering 8. februar / 26

20 Så w zmv og w mv er ortogonale netop hvis (µ mv c b)µ zmv µ mv b + a = 0 µ zmv = a bµ mv b cµ mv. Dvs. der findes netop en minimum-varians-portefølje, der er ortogonal med w mv, og denne portefølje har forventet afkastrate a bµ mv b cµ mv. RP (IMF) Finansiering 8. februar / 26

21 Proposition 32: Kovariansrepræsentation of forventede afkast Lad w mv w gmv være en minimum-varians-portefølje med forventet afkastrate µ mv og varians σ 2 mv. Lad endvidere w zmv være den tilhørende ortogonale minimum-varians-portefølje med forventet afkastrate µ zmv. Da gælder for en vilkårlig vektor w P af porteføljevægte med forventet afkastrate µ P at hvor µ P µ zmv = β P,mv (µ mv µ zmv ) β P,mv = Cov( wp r, w mv r) σmv 2. RP (IMF) Finansiering 8. februar / 26

22 Bevis: Fordi w mv er en minimum-varians-portefølje med forventet afkastrate µ mv, så er w mv = Σ [ µ ] [ ] A µmv, og for en vilkårlig portefølje w P med forventet afkastrate µ P gælder at Cov ( wp r, w mvr ) = wp Σw mv = wp ΣΣ [ µ ] [ ] A µmv = [ [ ] wp µ w P ] A µmv = [ [ ] wp µ ] A µmv (idet w mv er pf. vægte) (2) = [ µ P ] [ ] A µmv. RP (IMF) Finansiering 8. februar / 26

23 Hvis vi specielt vælger w P = w zmv, så er (per definition af w zmv ) 0 = Cov ( wzmvr, wmvr ) = [ µ zmv ] [ ] A µmv og dermed for en vilkårlig portefølje w P ifølge (2) Cov(w P r, w mvr) = [ µ P ] A [ µmv ] [ µ zmv ] [ ] A µmv }{{} = [ µ P µ zmv 0 ] [ ] A µmv = [ µ P µ zmv 0 ] [ c b ac b 2 b a =0 ][ µmv = (µ P µ zmv ) cµ mv b ac b 2. (3) ] RP (IMF) Finansiering 8. februar / 26

24 Hvis vi specielt vælger w P = w mv, så er dvs. σ 2 mv = Cov(w mvr, w mvr) = (µ mv µ zmv ) cµ mv b ac b 2 cµ mv b ac b 2 = σ 2 mv µ mv µ zmv og dermed for en vilkårlig portefølje ifølge (3) σ 2 mv Cov(wP r, w mvr) = (µ P µ zmv ) cµ mv b ac b 2 = (µ P µ zmv ) µ mv µ zmv hvilket giver os det ønskede. RP (IMF) Finansiering 8. februar / 26

25 Hvis vi fikserer en bestemt minimum-varians-portefølje w mv og bruger dens ortogonale minimum-varians-portefølje som udgangspunkt (benchmark) for måling af afkast, så kan vi altså udtrykke det forventede merafkast for en vilkårlig portefølje w P µ P µ zmv vha. minimum-varians-porteføljen og dens tilhørende ortogonale minimum-variansportefølje. RP (IMF) Finansiering 8. februar / 26

26 Hvorfor kunne det tænkes at være interessant? Hvis vi nu kan finde en minimum-varians-portefølje, der virker rimelig at bruge som benchmark og som vi kan observere i praksis, så har vi hermed fundet en sammenhæng mellem afkastrater (og dermed priser) på alle aktiver i økonomien! RP (IMF) Finansiering 8. februar / 26

NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET INVESTERINGS- OG FINANSIERINGSTEORI. 4 timers skriftlig eksamen, mandag 1/

NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET INVESTERINGS- OG FINANSIERINGSTEORI. 4 timers skriftlig eksamen, mandag 1/ NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET INVESTERINGS- OG FINANSIERINGSTEORI 4 timers skriftlig eksamen mandag /6 2004. Opgave Spg..a [0] Modellen er arbitragefri hvis der findes et

Læs mere

NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET INVESTERINGS- OG FINANSIERINGSTEORI

NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET INVESTERINGS- OG FINANSIERINGSTEORI NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET INVESTERINGS- OG FINANSIERINGSTEORI 4 timers skriftlig eksamen, 10-14, tirsdag 1/6 2004. Ingen hjælpemidler (blyant & lommeregner dog tilladt).

Læs mere

Planen idag. Fin1 (mandag 16/2 2009) 1

Planen idag. Fin1 (mandag 16/2 2009) 1 Planen idag Porteføljeteori; kapitel 9 Noterne Moralen: Diversificer! Algebra: Portefølje- og lineær. Nogenlunde konsistens med forventet nyttemaksimering Middelværdi/varians-analyse Fin1 (mandag 16/2

Læs mere

NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET INVESTERINGS- OG FINANSIERINGSTEORI. 4 timers skriftlig eksamen, 9-13 torsdag 6/

NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET INVESTERINGS- OG FINANSIERINGSTEORI. 4 timers skriftlig eksamen, 9-13 torsdag 6/ NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET INVESTERINGS- OG FINANSIERINGSTEORI 4 timers skriftlig eksamen, 9-13 torsdag 6/6 2002 VEJLEDENDE BESVARELSE OG KOMMENTARER Opgave 1 Spg 1a

Læs mere

22. maj Investering og finansiering Ugeseddel nr. 15. Nogle eksamensopgaver:

22. maj Investering og finansiering Ugeseddel nr. 15. Nogle eksamensopgaver: 22. maj 2006 Investering og finansiering Ugeseddel nr. 15 Nogle eksamensopgaver: 1 NATURVIDENSKABELIG KANDIDATEKSAMEN INVESTERING OG FINANSIERING Antal sider i opgavesættet (incl. forsiden): 6 4 timers

Læs mere

Grinblatt & Titman kap. 5. Afdeling for Virksomhedsledelse, Aarhus Universitet Esben Kolind Laustrup

Grinblatt & Titman kap. 5. Afdeling for Virksomhedsledelse, Aarhus Universitet Esben Kolind Laustrup Grinblatt & Titman kap. 5 Dagens forelæsning Investeringsmulighedsområdet Sammenhængen mellem risiko og forventet afkast (security market line) Capital Asset Pricing Model (CAPM) Empiriske tests af CAPM

Læs mere

Institut 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

Institut 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 mere

Module 1: Lineære modeller og lineær algebra

Module 1: Lineære modeller og lineær algebra Module : Lineære modeller og lineær algebra. Lineære normale modeller og lineær algebra......2 Lineær algebra...................... 6.2. Vektorer i R n................... 6.2.2 Regneregler for vektorrum...........

Læs mere

Landmålingens fejlteori - Lektion 2. Sandsynlighedsintervaller Estimation af µ Konfidensinterval for µ. Definition: Normalfordelingen

Landmålingens 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 mere

Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo

Kursusindhold: 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 mere

Antag X 1, X 2,..., X n er n uafhængige stokastiske variable, hvor Var(X 1 )=σ 2 1,..., Var(X n )=σ 2 n.

Antag 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 mere

Vægte motiverende eksempel. Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl. Vægtet model. Vægtrelationen

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 mere

MLR 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 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 mere

Landmålingens fejlteori - Repetition - Fordeling af slutfejl - Lektion 8

Landmålingens 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 mere

Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl

Landmålingens 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 mere

Produkt og marked - matematiske og statistiske metoder

Produkt 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 mere

Kursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo

Kursusindhold: 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 mere

Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl

Landmålingens 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 mere

1/41. 2/41 Landmålingens fejlteori - Lektion 1 - Kontinuerte stokastiske variable

1/41. 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 mere

Note om endelige legemer

Note om endelige legemer Note om endelige legemer Leif K. Jørgensen 1 Legemer af primtalsorden Vi har i Lauritzen afsnit 2.1.1 set følgende: Proposition 1 Lad n være et positivt helt tal. Vi kan da definere en komposition + på

Læs mere

3.600 kg og den gennemsnitlige fødselsvægt kg i stikprøven.

3.600 kg og den gennemsnitlige fødselsvægt kg i stikprøven. PhD-kursus i Basal Biostatistik, efterår 2006 Dag 1, onsdag den 6. september 2006 Eksempel: Sammenhæng mellem moderens alder og fødselsvægt I dag: Introduktion til statistik gennem analyse af en stikprøve

Læs mere

Landmålingens fejlteori Lektion 1 Det matematiske fundament Kontinuerte stokastiske variable

Landmålingens 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 mere

Fejlforplantning. Landmålingens fejlteori - Lektion 5 - Fejlforplantning. Repetition: Varians af linear kombination. Eksempel: Vinkelberegning

Fejlforplantning. 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 mere

Statistik Lektion 3. Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen

Statistik Lektion 3. Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen Statistik Lektion 3 Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen Repetition En stokastisk variabel er en funktion defineret på S (udfaldsrummet, der antager

Læs mere

Statistik og Sandsynlighedsregning 2

Statistik og Sandsynlighedsregning 2 Statistik og Sandsynlighedsregning 2 Lineære transformationer, middelværdi og varians Helle Sørensen Uge 8, onsdag SaSt2 (Uge 8, onsdag) Lineære transf. og middelværdi 1 / 15 Program I formiddag: Fordeling

Læs mere

Statistik og Sandsynlighedsregning 2

Statistik og Sandsynlighedsregning 2 Statistik og Sandsynlighedsregning 2 Normalfordelingen og transformation af kontinuerte fordelinger Helle Sørensen Uge 7, mandag SaSt2 (Uge 7, mandag) Normalford. og transformation 1 / 16 Program Paretofordelingen,

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. 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 mere

Regneregler for middelværdier M(X+Y) = M X +M Y. Spredning varians og standardafvigelse. 1 n VAR(X) Y = a + bx VAR(Y) = VAR(a+bX) = b²var(x)

Regneregler for middelværdier M(X+Y) = M X +M Y. Spredning varians og standardafvigelse. 1 n VAR(X) Y = a + bx VAR(Y) = VAR(a+bX) = b²var(x) Formelsamlingen 1 Regneregler for middelværdier M(a + bx) a + bm X M(X+Y) M X +M Y Spredning varians og standardafvigelse VAR(X) 1 n n i1 ( X i - M x ) 2 Y a + bx VAR(Y) VAR(a+bX) b²var(x) 2 Kovariansen

Læs mere

Vi sætter. (Signal støj- forhold) Poul Thyregod, 25. april Specialkursus vid.stat. foraar Lad Y i angiver observationer fra i te udtagne balle.

Vi sætter. (Signal støj- forhold) Poul Thyregod, 25. april Specialkursus vid.stat. foraar Lad Y i angiver observationer fra i te udtagne balle. Modellens parametre Mandag den 25 april Hierarkiske normalfordelingsmodeller Dagens program: Resume af ensidet variansanalysemodel med tilfældig effekt estimation af tilfældige effekter, fortolkning som

Læs mere

Note om Monte Carlo metoden

Note 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 mere

Affine rum. a 1 u 1 + a 2 u 2 + a 3 u 3 = a 1 u 1 + (1 a 1 )( u 2 + a 3. + a 3. u 3 ) 1 a 1. Da a 2

Affine rum. a 1 u 1 + a 2 u 2 + a 3 u 3 = a 1 u 1 + (1 a 1 )( u 2 + a 3. + a 3. u 3 ) 1 a 1. Da a 2 Affine rum I denne note behandles kun rum over R. Alt kan imidlertid gennemføres på samme måde over C eller ethvert andet legeme. Et underrum U R n er karakteriseret ved at det er en delmængde som er lukket

Læs mere

Tema. Dagens tema: Indfør centrale statistiske begreber.

Tema. 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

8 Regulære flader i R 3

8 Regulære flader i R 3 8 Regulære flader i R 3 Vi skal betragte særligt pæne delmængder S R 3 kaldet flader. I det følgende opfattes S som et topologisk rum i sportopologien, se Definition 5.9. En åben omegn U af p S er således

Læs mere

Reeksamen 2014/2015 Mål- og integralteori

Reeksamen 2014/2015 Mål- og integralteori Reeksamen 4/5 Mål- og integralteori Københavns Universitet Institut for Matematiske Fag Formalia Eksamensopgaven består af 4 opgaver med ialt spørgsmål. Ved bedømmelsen indgår de spørgsmål med samme vægt.

Læs mere

Landmålingens fejlteori - Lektion 2 - Transformation af stokastiske variable

Landmålingens 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 mere

Statistik og Sandsynlighedsregning 2

Statistik og Sandsynlighedsregning 2 Statistik og Sandsynlighedsregning 2 Normalfordelingens venner og bekendte Helle Sørensen Uge 9, onsdag SaSt2 (Uge 9, onsdag) Normalfordelingens venner 1 / 20 Program Resultaterne fra denne uge skal bruges

Læs mere

Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Statistisk Model

Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Statistisk Model Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Statistisk Model Indhold Binomialfordeling Sandsynlighedsfunktion Middelværdi og spredning 1 Aalen: Innføring i statistik med medisinske eksempler

Læs mere

Program: 1. Repetition: fordeling af observatorer X, S 2 og t. 2. Konfidens-intervaller, hypotese test, type I og type II fejl, styrke.

Program: 1. Repetition: fordeling af observatorer X, S 2 og t. 2. Konfidens-intervaller, hypotese test, type I og type II fejl, styrke. Program: 1. Repetition: fordeling af observatorer X, S 2 og t. 2. Konfidens-intervaller, hypotese test, type I og type II fejl, styrke. 1/23 Opsummering af fordelinger X 1. Kendt σ: Z = X µ σ/ n N(0,1)

Læs mere

OM RISIKO. Kender du muligheder og risici ved investering?

OM RISIKO. Kender du muligheder og risici ved investering? OM RISIKO Kender du muligheder og risici ved investering? Hvad sker der, når du investerer? Formålet med investeringer er at opnå et positivt afkast. Hvis du har forventning om et højt afkast, skal du

Læs mere

Kursusindhold: X i : tilfældig værdi af ite eksperiment. Antag X i kun antager værdierne 1, 2,..., M.

Kursusindhold: 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 mere

Analytisk geometri. Et simpelt eksempel på dette er en ret linje. Som bekendt kan en ret linje skrives på formen

Analytisk geometri. Et simpelt eksempel på dette er en ret linje. Som bekendt kan en ret linje skrives på formen Analtisk geometri Mike Auerbach Odense 2015 Den klassiske geometri beskæftiger sig med alle mulige former for figurer: Linjer, trekanter, cirkler, parabler, ellipser osv. I den analtiske geometri lægger

Læs mere

3 Stokastiske variable 3.1 Diskrete variable

3 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 mere

GEOMETRI-TØ, UGE 8. X = U xi = {x i } = {x 1,..., x n }, U α, U α = α. (X \ U α )

GEOMETRI-TØ, UGE 8. X = U xi = {x i } = {x 1,..., x n }, U α, U α = α. (X \ U α ) GEOMETRI-TØ, UGE 8 Hvis I falder over tryk- eller regne-fejl i nedenstående, må I meget gerne sende rettelser til fuglede@imf.au.dk. Opvarmningsopgave 1. Lad X være en mængde og T familien af alle delmængder

Læs mere

Kvantitative Metoder 1 - Forår Dagens program

Kvantitative Metoder 1 - Forår Dagens program Dagens program Afsnit 6.1 Den standardiserede normalfordeling Normalfordelingen Beskrivelse af normalfordelinger: - Tæthed og fordelingsfunktion - Middelværdi, varians og fraktiler Lineære transformationer

Læs mere

Landmålingens fejlteori - Repetition - Kontinuerte stokastiske variable - Lektion 3

Landmålingens 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 mere

EKSAMEN Flerdimensional Analyse Sommer sider

EKSAMEN Flerdimensional Analyse Sommer sider EKSAMEN Flerdimensional Analyse Sommer 2008 5 sider Formaliteter Eksamen er en 24-timers eksamen, der udleveres mandag den 23/6-2008 klokken 0.00 og afleveres tirsdag den 24/6-2008 inden klokken 0.00.

Læs mere

Landmålingens fejlteori - Lektion 5 - Fejlforplantning

Landmålingens 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 mere

Betingede sandsynligheder Aase D. Madsen

Betingede sandsynligheder Aase D. Madsen 1 Uge 12 Teoretisk Statistik 15. marts 2004 1. Betingede sandsynligheder Definition Loven om den totale sandsynlighed Bayes formel 2. Betinget middelværdi og varians 3. Kovarians og korrelationskoefficient

Læs mere

Oversigt [LA] 1, 2, 3, [S] 9.1-3

Oversigt [LA] 1, 2, 3, [S] 9.1-3 Oversigt [LA], 2, 3, [S] 9.-3 Nøgleord og begreber Koordinatvektorer, talpar, taltripler og n-tupler Linearkombination Underrum og Span Test linearkombination Lineær uafhængighed Standard vektorer Basis

Læs mere

Kapitel 4 Sandsynlighed og statistiske modeller

Kapitel 4 Sandsynlighed og statistiske modeller Kapitel 4 Sandsynlighed og statistiske modeller Peter Tibert Stoltze stat@peterstoltze.dk Elementær statistik F2011 1 / 22 Generalisering fra stikprøve til population Idé: Opstil en model for populationen

Læs mere

Rettevejledning til 1. obligatoriske opgave Beslutninger og strategi

Rettevejledning til 1. obligatoriske opgave Beslutninger og strategi Rettevejledning til. obligatoriske opgave Beslutninger og strategi Christian S. Liebing og Tobias N. Thygesen Forår 00. version. Opgave Betragter en agent med vnm-præferencer. Vi får oplyst, at agenten

Læs mere

Lineære normale modeller (1) udkast. 1 Flerdimensionale stokastiske variable

Lineære normale modeller (1) udkast. 1 Flerdimensionale stokastiske variable E6 efterår 999 Notat 8 Jørgen Larsen 22. november 999 Lineære normale modeller ) udkast Ved hjælp af lineær algebra kan man formulere og analysere de såkaldte lineære normale modeller meget overskueligt

Læs mere

NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET.

NATURVIDENSKABELIG 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 mere

Agenda Sandsynlighedsregning. Regneregler (kap. 3-4) Fordelinger og genkendelse af fordelinger (kap. 3-5) Simultane, marginale og betingede

Agenda Sandsynlighedsregning. Regneregler (kap. 3-4) Fordelinger og genkendelse af fordelinger (kap. 3-5) Simultane, marginale og betingede Agenda Sandsynlighedsregning. Regneregler (kap. 3-4) Fordelinger og genkendelse af fordelinger (kap. 3-5) Simultane, marginale og betingede fordelinger (kap. 4) Middelværdi og varians (kap. 3-4) Fordelingsresultater

Læs mere

Eksamen 2014/2015 Mål- og integralteori

Eksamen 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 mere

hvor a og b er konstanter. Ved middelværdidannelse fås videre

hvor a og b er konstanter. Ved middelværdidannelse fås videre Uge 3 Teoretisk Statistik. marts 004. Korrelation og uafhængighed, repetition. Eksempel fra sidste gang (uge ) 3. Middelværdivektor, kovarians- og korrelationsmatrix 4. Summer af stokastiske variable 5.Den

Læs mere

Økonometri 1. Dagens program. Den simple regressionsmodel 15. september 2006

Økonometri 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 mere

Lineær Algebra F08, MØ

Lineær Algebra F08, MØ Lineær Algebra F08, MØ Vejledende besvarelser af udvalgte opgaver fra Ugeseddel 3 og 4 Ansvarsfraskrivelse: Den følgende vejledning er kun vejledende. Opgaverne kommer i vilkårlig rækkefølge. Visse steder

Læs mere

Fortolkning. Foldning af sandsynlighedsmål. Foldning af tætheder. Foldning af Γ-fordelinger Eksempel: Hvis X og Y er uafhængige og. Sætning (EH 20.

Fortolkning. 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 mere

Tænk 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.

Tænk 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 mere

Motivation. Konfidensintervaller og vurdering af usikkerhed på estimerede størrelser

Motivation. 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 mere

Dynamiske Porteføljevalg

Dynamiske Porteføljevalg Dynamiske Porteføljevalg Rasmus Højberg Andersen Bachelorprojekt, Matematik-Økonomi Vejleder: Claus Munk, Institut for Regnskab og Finansiering 9. februar 2004 Indhold 1 Indledning 3 2 En periode middelværdi-varians

Læs mere

Kursusgang 3 Matrixalgebra Repetition

Kursusgang 3 Matrixalgebra Repetition Kursusgang 3 Repetition - froberg@mathaaudk http://peoplemathaaudk/ froberg/oecon3 Institut for Matematiske Fag Aalborg Universitet 12 september 2008 1/12 Lineære ligningssystemer Et lineært ligningssystem

Læs mere

t a l e n t c a m p d k Matematik Intro Mads Friis, stud.scient 27. oktober 2014 Slide 1/25

t a l e n t c a m p d k Matematik Intro Mads Friis, stud.scient 27. oktober 2014 Slide 1/25 Slide 1/25 Indhold 1 2 3 4 5 6 7 8 Slide 2/25 Om undervisningen Hvorfor er vi her? Hvad kommer der til at ske? 1) Teoretisk gennemgang ved tavlen. 2) Instruktion i eksempler. 3) Opgaveregning. 4) Opsamling.

Læs mere

Trin 1: Formuler hypotese Spørgsmål der ønskes testet vha. data H 0 : Nul hypotese Formuleres som en ligheds hændelse

Trin 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 mere

Transformationsgeometri: Inversion. Kirsten Rosenkilde, august Inversion

Transformationsgeometri: Inversion. Kirsten Rosenkilde, august Inversion Transformationsgeometri: Inversion. Kirsten Rosenkilde, august 2007 1 Inversion Inversion er en bestemt type transformation af planen, og ved at benytte transformation på en geometrisk problemstilling

Læs mere

Kvantitative Metoder 1 - Forår Dagens program

Kvantitative Metoder 1 - Forår Dagens program Dagens program Kontinuerte fordelinger Simultane fordelinger Kovarians og korrelation Uafhængighed Betingede fordelinger - Middelværdi og varians - Sammenhæng med uafhængighed 1 Figur 1: En tæthedsfunktion

Læs mere

Det naturvidenskabelige fakultet Vintereksamen 1997/98 Matematisk-økonomisk kandidateksamen Fag: Driftsøkonomi 2

Det naturvidenskabelige fakultet Vintereksamen 1997/98 Matematisk-økonomisk kandidateksamen Fag: Driftsøkonomi 2 1 Det naturvidenskabelige fakultet Vintereksamen 1997/98 Matematisk-økonomisk kandidateksamen Fag: Driftsøkonomi 2 Opgavetekst Generelle oplysninger: Der ses i nedenstående opgaver bort fra skat, transaktionsomkostninger,

Læs mere

Kvantitative Metoder 1 - Efterår Dagens program

Kvantitative Metoder 1 - Efterår Dagens program Dagens program Afsnit 6.1. Ligefordelinger, fra sidst Den standardiserede normalfordeling Normalfordelingen Beskrivelse af normalfordelinger: - Tæthed og fordelingsfunktion - Middelværdi, varians og fraktiler

Læs mere

Forelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup)

Forelæsning 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 mere

Det naturvidenskabelige fakultet Vintereksamen 96/97 Matematisk-økonomisk kandidateksamen Fag: Driftsøkonomi 2

Det naturvidenskabelige fakultet Vintereksamen 96/97 Matematisk-økonomisk kandidateksamen Fag: Driftsøkonomi 2 1 Det naturvidenskabelige fakultet Vintereksamen 96/97 Matematisk-økonomisk kandidateksamen Fag: Driftsøkonomi 2 Opgavetekst Generelle oplysninger: Der ses i nedenstående opgaver bort fra skat, transaktionsomkostninger,

Læs mere

I 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) 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 mere

standard normalfordelingen på R 2.

standard 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 mere

Om hypoteseprøvning (1)

Om hypoteseprøvning (1) E6 efterår 1999 Notat 16 Jørgen Larsen 11. november 1999 Om hypoteseprøvning 1) Det grundlæggende problem kan generelt formuleres sådan: Man har en statistisk model parametriseret med en parameter θ Ω;

Læs mere

Ensidet eller tosidet alternativ. Hypoteser. tosidet alternativ. nul hypotese testes mod en alternativ hypotese

Ensidet eller tosidet alternativ. Hypoteser. tosidet alternativ. nul hypotese testes mod en alternativ hypotese Kursus 02402 Introduktion til Statistik Forelæsning 6: Kapitel 7: Hypotesetest for gennemsnit (one-sample setup). 7.4-7.6 Per Bruun Brockhoff DTU Compute, Statistik Bygning 305/324 Danmarks Tekniske Universitet

Læs mere

Anvendt Statistik Lektion 8. Multipel Lineær Regression

Anvendt Statistik Lektion 8. Multipel Lineær Regression Anvendt Statistik Lektion 8 Multipel Lineær Regression 1 Simpel Lineær Regression (SLR) y Sammenhængen mellem den afhængige variabel (y) og den forklarende variabel (x) beskrives vha. en SLR: ligger ikke

Læs mere

Løsning eksamen d. 15. december 2008

Løsning 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 mere

Substitutions- og indkomsteffekt ved prisændringer

Substitutions- og indkomsteffekt ved prisændringer Substitutions- og indkomsteffekt ved prisændringer Erik Bennike 14. november 2009 Denne note giver en beskrivelse af de relevante begreber omkring substitutions- og indkomsteffekter i mikroøkonomi. 1 Introduktion

Læs mere

Investerings- og finansieringsteori, F04, ugeseddel 7

Investerings- og finansieringsteori, F04, ugeseddel 7 12. marts 2004 Rolf Poulsen AMS Investerings- og finansieringsteori, F04, ugeseddel 7 Seneste forelæsninger Mandag 8/3: Resten af kapitel 5. Jeg beviste 1st and 2nd theorem of asset pricing eller mathematical

Læs mere

Anvendt Statistik Lektion 7. Simpel Lineær Regression

Anvendt Statistik Lektion 7. Simpel Lineær Regression Anvendt Statistik Lektion 7 Simpel Lineær Regression 1 Er der en sammenhæng? Plot af mordraten () mod fattigdomsraten (): Scatterplot Afhænger mordraten af fattigdomsraten? 2 Scatterplot Et scatterplot

Læs mere

1 Hb SS Hb Sβ Hb SC = , (s = )

1 Hb SS Hb Sβ Hb SC = , (s = ) PhD-kursus i Basal Biostatistik, efterår 2006 Dag 6, onsdag den 11. oktober 2006 Eksempel 9.1: Hæmoglobin-niveau og seglcellesygdom Data: Hæmoglobin-niveau (g/dl) for 41 patienter med en af tre typer seglcellesygdom.

Læs mere

Vinkelrette linjer. Frank Villa. 4. november 2014

Vinkelrette linjer. Frank Villa. 4. november 2014 Vinkelrette linjer Frank Villa 4. november 2014 Dette dokument er en del af MatBog.dk 2008-2012. IT Teaching Tools. ISBN-13: 978-87-92775-00-9. Se yderligere betingelser for brug her. Indhold 1 Introduktion

Læs mere

Additionsformlerne. Frank Villa. 19. august 2012

Additionsformlerne. Frank Villa. 19. august 2012 Additionsformlerne Frank Villa 19. august 2012 2008-2011. Dette dokument må kun anvendes til undervisning i klasser som abonnerer på MatBog.dk. Se yderligere betingelser for brug her. Indhold 1 Introduktion

Læs mere

t a l e n t c a m p d k Matematik Intro Mads Friis, stud.scient 7. november 2015 Slide 1/25

t a l e n t c a m p d k Matematik Intro Mads Friis, stud.scient 7. november 2015 Slide 1/25 Slide 1/25 Indhold 1 2 3 4 5 6 7 8 Slide 2/25 Om undervisningen Hvorfor er vi her? Slide 3/25 Om undervisningen Hvorfor er vi her? Hvad kommer der til at ske? 1) Teoretisk gennemgang ved tavlen. 2) Instruktion

Læs mere

Analytisk plangeometri 1

Analytisk plangeometri 1 1 Analytisk plangeometri 1 Kære 1. x, Vi begynder dag vores forløb om analytisk plangeometri. Dette bliver en udvidelse af ting i allerede kender til, så noget ved I i forvejen, mens andet bliver helt

Læs mere

t-fordeling Boxplot af stikprøve (n=20) fra t(2)-fordeling Program ( ): 1. repetition: fordeling af observatorer X, S 2 og t.

t-fordeling Boxplot af stikprøve (n=20) fra t(2)-fordeling Program ( ): 1. repetition: fordeling af observatorer X, S 2 og t. t-fordeling Boxplot af stikprøve (n=20) fra t(2)-fordeling Program (8.15-10): 1. repetition: fordeling af observatorer X, S 2 og t. 2. konfidens-intervaller, hypotese test, type I og type II fejl, styrke,

Læs mere

Normalfordelingen og Stikprøvefordelinger

Normalfordelingen og Stikprøvefordelinger Normalfordelingen og Stikprøvefordelinger Normalfordelingen Standard Normal Fordelingen Sandsynligheder for Normalfordelingen Transformation af Normalfordelte Stok.Var. Stikprøver og Stikprøvefordelinger

Læs mere

6.1 Reelle Indre Produkter

6.1 Reelle Indre Produkter SEKTION 6.1 REELLE INDRE PRODUKTER 6.1 Reelle Indre Produkter Definition 6.1.1 Et indre produkt på et reelt vektorrum V er en funktion, : V V R således at, for alle x, y V, I x, x 0 med lighed x = 0, II

Læs mere

Indføring i de nyeste modeller for dynamisk asset allocation

Indføring i de nyeste modeller for dynamisk asset allocation Indføring i de nyeste modeller for dynamisk asset allocation Syddansk Universitet 29. marts 2006 Den Danske Finansanalytikerforening Kvant-workshop 1 Oversigt 1 Indledning 2 3 4 5 Centrale spørgsmål En

Læs mere

Sandsynlighedsfordelinger for kontinuerte data på interval/ratioskala

Sandsynlighedsfordelinger for kontinuerte data på interval/ratioskala 3 5% 5% 5% 0 3 4 5 6 7 8 9 0 Statistik for biologer 005-6, modul 5: Normalfordelingen opstår når mange forskellige faktorer uafhængigt af hinanden bidrager med additiv variation til. F.eks. Højde af rekrutter

Læs mere

Analysestrategi. Lektion 7 slides kompileret 27. oktober 200315:24 p.1/17

Analysestrategi. 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 mere

INSTITUT FOR MATEMATISKE FAG c

INSTITUT FOR MATEMATISKE FAG c INSTITUT FOR MATEMATISKE FAG c AALBORG UNIVERSITET FREDRIK BAJERS VEJ 7 G 9220 AALBORG ØST Tlf.: 96 35 89 27 URL: www.math.aau.dk Fax: 98 15 81 29 E-mail: bjh@math.aau.dk Dataanalyse Sandsynlighed og stokastiske

Læs mere

Definition multiplikation En m n-matrix og en n p-matrix kan multipliceres (ganges sammen) til en m p-matrix.

Definition multiplikation En m n-matrix og en n p-matrix kan multipliceres (ganges sammen) til en m p-matrix. Oversigt [LA] 3, 4, 5 Nøgleord og begreber Matrix multiplikation Identitetsmatricen Transponering Fra matrix til afbildning Fra afbildning til matrix Test matrix-afbildning Inverse matricer Test invers

Læs mere

Nøgleord og begreber. Definition multiplikation En m n-matrix og en n p-matrix kan multipliceres (ganges sammen) til en m p-matrix.

Nøgleord og begreber. Definition multiplikation En m n-matrix og en n p-matrix kan multipliceres (ganges sammen) til en m p-matrix. Oversigt [LA] 3, 4, 5 Matrix multiplikation Nøgleord og begreber Matrix multiplikation Identitetsmatricen Transponering Fra matrix til afbildning Fra afbildning til matrix Test matrix-afbildning Inverse

Læs mere

Program: 1. Repetition: p-værdi 2. Simpel lineær regression. 1/19

Program: 1. Repetition: p-værdi 2. Simpel lineær regression. 1/19 Program: 1. Repetition: p-værdi 2. Simpel lineær regression. 1/19 For test med signifikansniveau α: p < α forkast H 0 2/19 p-værdi Betragt tilfældet med test for H 0 : µ = µ 0 (σ kendt). Idé: jo større

Læs mere

Løsning til eksamen d.27 Maj 2010

Løsning til eksamen d.27 Maj 2010 DTU informatic 02402 Introduktion til Statistik Løsning til eksamen d.27 Maj 2010 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition, 7th edition]. Opgave I.1

Læs mere

Elementær sandsynlighedsregning

Elementær sandsynlighedsregning Elementær sandsynlighedsregning Sandsynlighedsbegrebet Et udfaldsrum S er mængden af alle de mulige udfald af et eksperiment. En hændelse A er en delmængde af udfaldsrummet S. Et sandsynlighedsmål er en

Læs mere

Module 3: Statistiske modeller

Module 3: Statistiske modeller Department of Statistics ST502: Statistisk modellering Pia Veldt Larsen Module 3: Statistiske modeller 31 ANOVA 1 32 Variabelselektion 4 321 Multipel determinationskoefficient 5 322 Variabelselektion med

Læs mere

Hvor: D = forventet udbytte. k = afkastkrav. G = Vækstrate i udbytte

Hvor: D = forventet udbytte. k = afkastkrav. G = Vækstrate i udbytte Dec 64 Dec 66 Dec 68 Dec 70 Dec 72 Dec 74 Dec 76 Dec 78 Dec 80 Dec 82 Dec 84 Dec 86 Dec 88 Dec 90 Dec 92 Dec 94 Dec 96 Dec 98 Dec 00 Dec 02 Dec 04 Dec 06 Dec 08 Dec 10 Dec 12 Dec 14 Er obligationer fortsat

Læs mere