Nogle anvendelser af programmel R, bl.a. til hypotesetest
|
|
- Knud Lauritsen
- 8 år siden
- Visninger:
Transkript
1 Frank Bengtson 2013 ÖÒºÒØ ÓÒÑкÓÑ Nogle anvendelser af programmel R, bl.a. til hypotesetest R er specielt egnet til statistik og simulering og kan frit installeres på egen pc. R udfører en programlinje ad gangen, viser resultatet straks og er derfor let at eksperimentere med. Man kan tilpasse og indsætte egne data i R programmer, de virker så som alle andre værktøjer. R leverer betydeligt pænere grafik end mange kommercielle produkter, et plot kan gemmes i flere formater f.eks. ***.eps og ***.ps, hvorfra der kan konverteres til andre formater. Simulering giver en rimelig begrundelse for χ 2 -fordelingers optræden i χ 2 -test. R burde derfor også være egnet til ungdomsuddannelserne. Der findes mange tilgængelige vejledninger på www, f.eks. MORTEN LARSEN og PETER SESTOFT Noter om R, men det er ganske få ting der skal til. Eks. 1. Sum af to terninger simulering ÖÔØ ÚÒÙ ÑÒÑÐÙÚ ¹ ÙÑ ØÓ ØÖÒÒÖ ¹ ÑÙÐÖÒ Ü½¹ ÑÔкÒØ Þ½¼¼¼ ÖÔÐÌÊ͵ ÐÓÖÐÒ ÒÖ ÒØ Ü½ ÙÑÑÖÝ Ü½µ ܾ¹ ÑÔкÒØ Þ½¼¼¼ ÖÔÐÌÊ͵ ݹܽ ܾ Ý ÙÑÑÖÝ Ýµ ØРݵ ÔÐÓØ ØРݵµ ÔÐÓØ Ýµµ Ê ÓÒ ÓÐ ÚÒÙ table(y) ÙÑÑÖÝ Ü½µ ÅÒº ½ Ø ÉÙº ÅÒ ÅÒ Ö ÉÙº Åܺ ½º¼¼¼ ¾º¼¼¼ º¼¼¼ º º¼¼¼ º¼¼¼ y ÙÑÑÖÝ Ýµ ÅÒº ½ Ø ÉÙº ÅÒ ÅÒ Ö ÉÙº Åܺ ¾º¼¼¼ º¼¼¼ º¼¼¼ º¼¾ º¼¼¼ ½¾º¼¼¼ ØРݵ Ý ¾ ½¼ ½½ ½¾ ¾ ½¾¼ ½¾ ½ ½ ½¼ ¾ Programlinjerne indskrives i et script og gemmes i en fil ***.R i en mappe f.eks. R1. Programmet fortolker en linje ad gangen. Curseren anbringes på første linje og kommandoen udføres ved at taste ctrl og R. Resultatet vises i R Console, hvilket gør det let at kontrollere om det var det ønskede. ecdf(y) Der kan eksperimenteres med f.eks. X X, X 1 X 2, X 1 X 2 X 3 X 4. Eks. 2. Sum af to terninger sandsynlighedsmodel
2 Ò ÝÒÐ ÑÓРܾ¹¾½¾ ܾ Ô¼¹½½½ Ô¼½½ ¹½ Ô¼¹Ô¼» Ô¼ ÔÐÓØ Ü¾ Ô¼ ÐÛ½¼ ÜÐÑÖÒ ½ ½ µ ØÝÔ ÓÐÐÙ ÑÒ ØÓÐÔ ÓÖ Ò ¼½µßÐÒ ¼º¼½µÐ ÔÐÓØ Ü¾ ÙÑ ÙÑ Ô¼µ ØÝÔ ÐÛ ÓÐÐÙ ÜÐÑÖÒ ½ ½ µµ ÓÖ Ò ¼½¼µßÐÒ ¼º½µÐ ÓÖ Ò ½½¾µßÐÒ ÚµÐ ÓÖ ÙÑ ØÓ ØÖÒÒÖµ stolpe for sum af to terninger p cumsum(p0) Teststørrelser og simulering Ved simulering antages hypotesen opfyldt og de indbyggede random funktioner giver passende variation i observationerne i overensstemmelse med forudsætningerne. F.eks. kan 600 terningkast simuleres med phyp = (p 1,..., p 6 ) = ( 1 6, 1 6, 1 6, 1 6, 1 6, 1 6 ) sample(6,600,replace=true,phyp) rmultinom(1,600,phyp)[1:6], rmultinom(n, size, phyp) 1 round(runif(600,0,6)0.)), ligefordeling, rykker lidt til højre, hvor obs. er normalfordelte om (1, 2, 3, 4,, 6). Med eks. nedenfor er lavet statisik på sand. for obs. 1. Ved at variere antal kast ses hvordan spredningen varierer. 1 R: A Language and Environment for Statistical Computing The rmultinom() algorithm draws binomials X j from Bin(n j ; P j ) sequentially, where n 1 = N (N := size), P 1 = π 1 (π is prob scaled to sum 1), and for j 2, recursively, n j = N ( j 1 k=1 X k and P j = π j / 1 ) j 1 k=1 π k. 2
3 ØØ Ø Ô ÙÐ Ó½¹ÖÔ ¼ ½¼¼¼µ ÔÝÔ¹ÖÔ ½» µ ÔÝÔ ÓÖ Ñ Ò ½½¼¼¼µß ܹØÐ ÑÔÐ ¼¼ ÖÔÐÌÊÍ ÔÝÔµµ Ó½Ñ ¹Ü½»¼¼Ð ÔÐÓØ Ó½µµ ÓÖ Ò ¼½¼µßÐÒ ¼º½µÐ ÓÖ Ò ½½¼µßÐÒ Ú¼º¼½ ¼º½¾µÐ ÙÑÑÖÝ Ó½µ ÚÖ Ó½µ Ó½µ ÙÑÑÖÝ Ó½µ ÅÒº ½ Ø ÉÙº ÅÒ ÅÒ Ö ÉÙº Åܺ ¼º½½¼ ¼º½¼ ¼º½ ¼º½ ¼º½ ¼º¾¾¼ ÚÖ Ó½µ ½ ¼º¼¼¼¾ ½¾½ Ó½µ ½ ¼º¼½¾¼ ecdf(o1) Ved simulationen bør middelværdien for p 1 være 1/6 og eks. giver mean=0.1663, og ved n = 600 er den forventede varians på hypotesens p 1 p 1 (1 p 1 )/n = 6 1(1 6 1 )/600 = /36/600 = og spredningen σ = = svarer til observeret sd(o1) = χ 2 - teststørrelsen eller Pearsonteststørrelsen beregnes som K() = (obs. antal forv. antal) 2 forv. antal og testsandsynligheden = ( 1 np 1 ) 2 np 1 ( m np m ) 2 np m, ǫ() 1 F χ 2 df (K()). Små værdier af K() svarer til nær den forventede. Simulationen giver indtryk af tæthed og fordeling af K() under hypotesen. Eks. 3. En terning, tæthed og fordeling af K() Kastes 60 gange med en alm. terning er forventet np = (,,,,, ). Ved 60 kast observeres f.eks. = ( 1,..., 6 ) = (16, 12, 9, 9, 7, 7). I eks. her er K() = (16 )2 (12 )2 (9 )2 (9 )2 (7 )2 (7 )2 De grønne/kraftige grafer er tæthed fra histogram og ecdf (empirisk cumuleret tæthed) fra observationerne og de blå/tynde er tæthed og fordeling for χ 2 -fordelingen med frihedsgrader. Af nederste fig. aflæses, at de % der ligger længst fra den forventede har K() større end 11, og de 2.% der ligger længst fra har K() større end 13. som i eks. her er - kan aflæses af nederste graf ǫ((16, 12, 9, 9, 7, 7)) 1 F χ 2 (K((16, 12, 9, 9, 7, 7))) = 1 F χ 2 (6) = 0.31, Med = (6, 16, 7, 16, 6, 9) er ǫ() = ǫ((6, 16, 7, 16, 6, 9)) 1 F χ 2 (K((6, 16, 7, 16, 6, 9))) = 1 F χ 2 (11.4) = = 6. 3
4 Man kan lave vilkårlige sandsynlighedsvektorer, f.eks. p = (1, 1, 1, 1, 1, 2) efterfulgt af normering p = (1, 1, 1, 1, 1, 2)/sum(p) og en mere skæv med p<-rep(1:6), p = (1, 2, 3, 4,, 6) efterfulgt af p<-p/sum(p). Det observeres at tæthed og fordeling for K() ikke ændres. Histogram of obsk ÔÝÔ¹ÖÔ ½» µ ÔÝÔ ÒØРع¼ ÓÖÚ¹ÒØÐ Ø ÔÝÔ ÓÖÚ ÙÑ ÓÖÚµ ùÙÒØÓÒ Üµß ÙÑ Ü¹ÓÖÚµ¾»ÓÖÚµÐ Ô ¹ÙÒØÓÒ Üµß½¹Ô Õ Ã Üµ µð ܽ ¹½Ü¾ ¹½¾Ü ¹Ü ¹Ü ¹Ü ¹ ܹØÐ ÑÔÐ ÒØÐ Ø ÖÔÐÌÊÍ ÔÝÔµµ ÚÖ ÝÔÔ ÓÖ ÐÐ ÓÖ Ñ Ò ½¾¼µß ܹØÐ ÑÔÐ ÒØÐ Ø ÖÔÐÌÊÍ ÔÝÔµµ ÝÔÔ Ü¹ÖÙÒ ÒØРص ܹÖÓÙÒ ÒØÐ Ø Ü» ÙÑ Üµµ ܹØÐ ÖÓÙÒ ÖÙÒ ÒØÐ Ø ¼ µ ¼ºµµµ ܹÖÑÙÐØÒÓÑ ½ ÒØÐ Ø Ô½µ½ ÔÖÒØ Üµ ÔÖÒØ ÙÑ Üµµ ÔÖÒØ Ã ÜµµÐ ÒØÐ ¹¼¼ Ó Ã¹ÖÔ ¼ ÒØÐ µ ÓÖ Ñ Ò ½ÒØÐ µ ß Ü¹ØÐ ÑÔÐ ÒØÐ Ø ÖÔÐÌÊÍ ÔÝÔµµ½ ܹÖÙÒ ÒØРص ܹØÐ ÖÓÙÒ ÖÙÒ ÒØÐ Ø ¼ µ ¼ºµµ Ó ÃÑ ¹Ã ܵ Ð ÙÑÑÖÝ Ó Ãµ Ó Ã Ø Ó Ã ÖÕÄË Ö ¾¼ ÓÐÔÒµ ÐÒ Ò ØÝ Ó Ãµ ÐÛ ÓÐÖÒµ ܽ¹ Õ ¼ ¼ ݺ½µ ݽ¹ Õ Ü½ µ ØØ ÐÒ Ü½ ݽ ÐÛ ÓÐÐÙµ ÔÐÓØ Ó Ãµ ÓÐÖÒ ÐÛ½¼µ ÓÖ Ò ¼¾µßÐÒ ÚµÐ ÓÖ Ò ¼µßÐÒ Ú ÐÛ¾µÐ ÓÖ Ò ¼½¼µßÐÒ ¼º½µÐ ݽ¹Ô Õ Ü½ µ ÓÖÐÒ Ý½ ÐÒ Ü½ ݽ ÐÛ ÓÐÐÙµ ÐÒ ¼º ÓÐÖÓÛÒ ÐÛ¾µ ÐÒ ¼º ÓÐÖÓÛÒ ÐÛ¾µ ÐÒ Ú ÓÐÖÓÛÒ ÐÛ¾µ Density obsk ecdf(obsk) Eks. 4. Antalstabel Et kendt eks. på en 22 tabel. Er der uafhængighed mellem tøjkøb pr. md. og køn? Hvis det antages, at forbruget er uafhængigt af køn, må sandsynligheden for søjlerne være p = (p 1, p 2 ) = ( , ) = (0.44, 0.6), og de forventede antal kan beregnes og sammenlignes med de observerede antal. Indtastning af data og beregning af teststørrelse med de øverste fem linjer i R prog. nedenfor. Også her stemmer simulationer pænt med χ 2 -fordelingen med 1 frihedsgrad. De grønne/kraftige grafer er tæthed fra histogram og ecdf fra observationerne og de blå/tynde er tæthed og fordeling for χ 2 -fordelingen med 1 frihedsgrad. De % obs. med største K() værdier er større end 4. De opfylder også hypotesen, men anses for at være for ekstreme. Her beregnes K værdien med den mere overskuelige K1(data.table,forv.table) 4
5 observerede forventede tøjkøb kr. pr. md. mindre end 100 mere end 100 kvinder mænd kvinder = = mænd = = def. nedenfor. K kan beregnes som K(data.table) som det gøres i næste eks. Histogram of ok1 ecdf(ok1) Density ok1 0 1 [ ] 98 2 = data.table = 60 0 ([ ]) 98 2 K() = K 60 0 F χ 2 1 (4.8) kan aflæses af blå/tynde graf. = K1(data.table, forv.table) ([ ] [ ]) = K1, = 4.8, ([ ]) 98 2 ǫ() = ǫ 1 F 60 0 χ 2(4.8) = [ ] = data.table = ([ ]) K() = K = 3.4, ([ ]) ǫ() = ǫ 1 F χ 2(3.4) =
6 ecdf(ok) Man kan undersøge svar der er næsten vilkårlige, her vælges kun obs. større end seks. I fig. er den grønne graf K() og den røde kvotientteststørrelse 2 log(q()). K() værdierne er ret store, men ca. 18% af de næsten tilfældige svar har K()< R Script ÖÓÛ½¹ÖÔ ¼ ¾µ ÖÓÛ½¹ ½¼¾µ½¾ ÔÐÖ Ø ÚÖ ÚÖ ÖÖÓÖ Ô ÒÓÐ Ô ÖÓÛ¾¹ÖÔ ¼ ¾µ ÖÓÛ½½ ¹ ÖÓÛ½¾ ¹½¼¾ ÖÓÛ½ Ú Ö Ø Ö ÖÓÛ¾½ ¹¼ ÖÓÛ¾¾ ¹½¼¼ ÖÓÛ¾ Ú ÒÒ Ö ÖÒ ÖÓÛ½ ÖÓÛ¾µ¹ØºØÐ ØÐ Ñ ÐÐÖ ÑØÖÜ ØºØÐ Ú Ø ÒØ Ø ÑÓÐ Ñ Ò ØÒ ØÐÐ ÚÖ ÕºØ Ø ØºØе ¹¹ÒÒ Ø Ø ØÖÖº ÖÓÛ½ ÑÒ Ø ÙÑ ¾¼¼ ÖÓÛ½½ ¹ ÑÔÐ ½ ½µ ÚÒØ ÓÖÐØ ÒÒ ÐÐÐ ÔÖÓÖÑ ØÙÑÔ ÐÚÖÖ Ö ÙÐØØØ ÑÒ Ø Ú Ö Ñ ÖÐ ÑØ Ò ÖÒÒ ÕºØ Ø Ñ ÓÖÚÒØØ ÖÓÛ½¾ ¹¾¼¼¹ÖÓÛ½½ ÓÊ½Ñ ¹ÖÓÛ½½ ØÐ ØØ ÓÊ¾Ñ ¹ÖÓÛ½¾ ØÐ ØØ Ô¹ ÖÓÛ½ ÖÓÛ¾µ» ÙÑ ØºØе ÙÒÖ ÝÔÓØ ÖÓÛ¾ ÑÒ Ø ÙÑ ½¼ Ô ÖÓÛ¾½ ¹ ÑÔÐ ½ ½µ ÓÖÚ½¹ ÖÓÛ½ ÖÓÛ¾µ ÙÑ ÖÓÛ½µ» ÙÑ ØºØе ÓÖÚÒØ ÖÓÛ¾¾ ¹½¼¹ÖÓÛ¾½ ÓÖÚ¾¹ ÖÓÛ½ ÖÓÛ¾µ ÙÑ ÖÓÛ¾µ» ÙÑ ØºØе ÖÒ ÓÖÚ½ ÓÖÚ¾µ ¹ ÓÖÚºØÐ ÖÒ ÖÓÛ½ ÖÓÛ¾µ¹ØºØÐ ÓÖÚºØÐ ÒÓРغØе ý¹ÙÒØÓÒ ØºØÐ ÓÖÚºØÐµß ÙÑ ØºØйÓÖÚºØе¾»ÓÖÚºØеРý¹ÙÒØÓÒ Ü µß ÙÑ Ü¹µ¾»µÐ Ô ½¹ÙÒØÓÒ Üµß½¹Ô Õ Ü ½µÐ ý غØÐ ÓÖÚºØе Ô ½ ý غØÐ ÓÖÚºØеµ ÑÙÐÖÒ ÙÒÖ ÝÔÓØ Ò Ô ÒØн¼¼¼¼ Óý¹ÖÔ ¼ ÒØе ÓÖ Ñ Ò ½ÒØе ß ÖÓÛ½¹ÖÑÙÐØÒÓÑ ½ ¾¼¼ ÔÖÓÔµ½¾ ÖÓÛ¾¹ÖÑÙÐØÒÓÑ ½ ½¼ ÔÖÓÔµ½¾ ÖÒ ÖÓÛ½ ÖÓÛ¾µ ¹ غØÐ ÓÖÚ½¹ ÖÓÛ½ ÖÓÛ¾µ ÙÑ ÖÓÛ½µ» ÙÑ ØºØе ÓÖÚ¾¹ ÖÓÛ½ ÖÓÛ¾µ ÙÑ ÖÓÛ¾µ» ÙÑ ØºØе ÖÒ ÓÖÚ½ ÓÖÚ¾µ ¹ ÓÖÚºØÐ ÓÃ½Ñ ¹Ã½ غØÐ ÓÖÚºØеРÓý Ø Óý ÖÕÄË Ö ¾¼ ÓÐÔÒµ ÐÒ Ò ØÝ Óýµ ÐÛ¾ ÓÐÖÒµ ܽ¹ Õ ¼ ½¼ ݺ½µ ݽ¹ Õ Ü½ ½µ ØØ ÐÒ Ü½ ݽ ÐÛ¾ ÓÐÐÙµ ÔÐÓØ Óýµ ÓÐÖÒ ÐÛ½¼µ ݽ¹Ô Õ Ü½ ½µ ÓÖÐÒ ÐÒ Ü½ ݽ ÐÛ ÓÐÐÙµ ÓÖ Ò ¼½¼µßÐÒ ¼º½µÐ ÓÖ Ò ¼ ¼µßÐÒ ÚµÐ ÐÒ ¼º ÓÐÖÓÛÒ ÐÛ µ ÓÖÚÒØ ÒÖÓÛ ØºØе ÖÒÒ Ã ØºØе ùÙÒØÓÒ ØºØÐµß ÓÖÚºØйغØÐ ÔÝÔ¹ÓÐËÙÑ ØºØе» ÙÑ ØºØе ÓÖ Ñ Ò ½ÒÖÓÛ ØºØеµß ÓÖÚºØÐÑ ¹ÖÓÛËÙÑ ØºØÐµÑ ÔÝÔРù ÙÑ ØºØйÓÖÚºØе¾»ÓÖÚºØе ÖØÙÖÒ ÃµÐ ÓÖÚÒØ ÖÓÛ Ã ØºØе ÑÒ ÓÖÚºØе ÑÒ Ø ÚÖ ÓÖÚÒØ Ð ÚÖ ØÖÖ Ò ÚÓØÒØØ Ø ØÖÖРɹÙÒØÓÒ ØºØÐµß É¹½ ÓÖ Ñ Ò ½ÒÖÓÛ ØºØеµ ÖÖ ßÓÖ Ò Ò ½ÒÓРغØеµ ÐÖ ßÉ¹É ÖÓÛËÙÑ ØºØÐµÑ ÓÐËÙÑ ØºØеһ ÙÑ ØºØе غØÐÑ Ò µµ غØÐÑ Ò µðð ÖØÙÖÒ ÉµÐ 6
½ Ë Ë ÔÐ Ý Ñ Ò Ö ÔÖÓ Ö ÑÑ Ö Ò µ ÔÖÓ Ö Ñ ÐÓ ÓÙØÔÙØ Ú Ò Ù Ö Ö ÔÖÓ Ù Ö ÖØ Ò ÐØ Ø Ó ÙÑ ÒØ Ö Ë Ë Æ Ä ËÌ Ñ ÒÙ» Ñ ¹ÓÖ ÒØ Ö Ø ÓÚ Ö Ý Ò Ò Ö Ú Ö Ó Ö Ö ÔÖÓ Ö ÑÑ
Ð Ø Ø Ø ¾º ÔØ Ñ Ö ¾¼¼ ÄÝÒ ÙÖ Ù Ë Ë Ò ÐÝ Ø ÁÒ Ð Ò Ò Ø Ð ÔÖÓ ÙÖ Ö Ö Ò Ù ØÞ¹Â Ö Ò Ò Ó Ø Ø Ø Ð Ò ÁÒ Ø ØÙØ ÓÖ ÓÐ ÙÒ Ú Ò Ã Ò ÚÒ ÍÒ Ú Ö Ø Ø ¹Ñ Ð Ó Ø Øº Ùº ØØÔ»» Ø ºÔÙ ÐØ º Ùº»» м ¾ ½ Ë Ë ÔÐ Ý Ñ Ò Ö ÔÖÓ Ö ÑÑ
Læs mereË Ö ØÐ Ñ Ò ÙØÓÑ ØØ ÓÖ Ó Ö Ò Ð Å½ µ ÁÒ Ø ØÙØ ÓÖ Å Ø Ñ Ø ² Ø ÐÓ ËÝ Ò ÍÒ Ú Ö Ø Ø ß Ç Ò ÍÒ Ú Ö Ø Ø Ä Ö Ò ½ º ÒÙ Ö ¾¼¼ ÐÐ Ú ÒÐ ÐÔ Ñ Ð Ö Ð Ö Ó ÒÓØ Ø Ö Øºµ Ñ
Ë Ö ØÐ Ñ Ò ÙØÓÑ ØØ ÓÖ Ó Ö Ò Ð Å½ µ ÁÒ Ø ØÙØ ÓÖ Å Ø Ñ Ø ² Ø ÐÓ ËÝ Ò ÍÒ Ú Ö Ø Ø ß Ç Ò ÍÒ Ú Ö Ø Ø Ä Ö Ò ½ º ÒÙ Ö ¾¼¼ ÐÐ Ú ÒÐ ÐÔ Ñ Ð Ö Ð Ö Ó ÒÓØ Ø Ö Øºµ ÑØ ÖÙ ÐÓÑÑ Ö Ò Ö Ö Ø ÐРغ Ñ Ò ØØ Ø Ø Ö ÓÔ Ú Ö Ô ÒÙÑÑ
Læs mereÁÒØÖÓ Ù Ø ÓÒØ Ð Ö Ó Ø Ò ÐÐÙ ØÖ Ø ÓÒ ÖÑ Å Ø ÈÓ Ø ÓÖ Ö Ã¹ÌÍ ÅÓÖØ ÒÀ Ö ½¾º ÔÖ Ð¾¼¼¼ ½ ÀÚ ÖÅ Ø ÈÓ Ø Å Ø ÈÓ Ø Ö ØÔÖÓ Ö ÑÑ Ö Ò ÔÖÓ ¹ Ö ØÔÅ Ø ÓÒغ ØÅ Ø ÈÓ Ø¹ÔÖÓ Ö Ñ Ö ÒÓÔ Ö ØØ Ð Ø Ò Ö Ö Ò ÐÐ Ö Ö ÙÖ Öº Å Ø ÈÓ
Læs mereÌÖÝ Ø ÁÅÅ ÌÍ
Ö ÑÑ Ò Ò Ò ØÚÖ Ò Ö Å Ò À Ò Ò ½ Ä Æ ¾¼¼ ÃË Å ÆËÈÊÇ ÃÌ Æʺ ½»¼ ÁÅÅ ÌÖÝ Ø ÁÅÅ ÌÍ ÓÖÓÖ ØØ ÔÖÓ Ø Ö Ö Ú Ø ÓÑ ÐÙØØ Ò ÔÖÓ Ø ÓÖ ÓÔÒ Ð Ú Ð Ò Ò ¹ Ö Ö Ò Ö ÒÑ Ö Ì Ò ÍÒ Ú Ö Ø Øº ÇÔ Ú Ò Ö Ù ÖØ Ô ÁÒ Ø ØÙØ ÓÖ ÁÒ ÓÖÑ Ø
Læs mereÒØÖÓÔÝ Ó Ò Ò ÂÈ Ø ÐÐ Ñ ÓÑÔÖ ÓÒ Â Ò ÎÓ Ð Ò Ë ÔØ Ñ Ö ¼Ø ¾¼½½ ½» ½
ÒØÖÓÔÝ Ó Ò Ò ÂÈ Ø ÐÐ Ñ ÓÑÔÖ ÓÒ Â Ò ÎÓ Ð Ò Ë ÔØ Ñ Ö ¼Ø ¾¼½½ ½» ½ ÒÓ Ò Ò Ò Ö Ð ÒÓ Ò Ò Ò Ö Ð ¾» ½ ÖÓÑ Ù ÑÔÐ Ò ÌÖ Ò ÓÖÑ Ø ÓÒ ÒØÓ ³ Ö ÓÐÓÖ Ô» ½ ÖÓÑ Ù ÑÔÐ Ò ÌÖ Ò ÓÖÑ Ø ÓÒ ÒØÓ ³ Ö ÓÐÓÖ Ô Ê ÙØ ÓÒ Ó Ô Ø Ð Ö ÓÐÙØ
Læs mereÇÚ Ö Ø ½ ¾ ÀÝÔÓØ Ø Ø ¹ Ò Ö Ô Ø Ø ÓÒ ÀÝÔÓØ Ø Ø Ó ÓÒ Ò ÒØ ÖÚ ÐÐ Ö ËØÝÖ Ó Ø ÔÖ Ú Ø ÖÖ Ð ÀÝÔÓØ Ø Ø ÓÖ ØÓ ÒÒ Ñ Ò Ø ÑÔ Ð ½ Ò Ö Ð ÓÖÑÙÐ Ö Ò Å Ò Ø Ú Ö Ò Å Ù Ò
ÃÙÖ Ù ¼¾ ¼ ÁÒØÖÓ Ù Ø ÓÒ Ø Ð ËØ Ø Ø ÓÖ Ð Ò Ò Ã Ô Ø Ð Ó ËØ Ø Ø ÓÖ ØÓ ÒÒ Ñ Ò Ø º ¹ º º½¹ º µ Â Ò ÃÐÓÔÔ Ò ÓÖ Å ÐÐ Ö ÌÍ ÁÒ ÓÖÑ Ø Ý Ò Ò ¼ ¹ ÖÙÑ ¾½ ÒÑ Ö Ì Ò ÍÒ Ú Ö Ø Ø ¾ ¼¼ ÄÝÒ Ý ÒÑ Ö ¹Ñ Ð Ñ ÑѺ ØÙº Â Ò Ãº Å
Læs mereÁÒ ÓÐ ½ ÇÔÖ Ø Ò ÖÙÔÔ º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º ½º½ ÑÖ º º º º º º º º º º º º º º º º º º º º º º
ËÎÆ Ò Ë e Î e Æ Å ÒÙØ ÆÓØ Ø Ø Ð Å ¾ ÖÙÒ Î Ú Ð ÖÚ ¼ Ñ º Ùº ÁÅ Ë Í Ç Ò º ÒÓÚ Ñ Ö ¾¼¼ ÁÒ ÓÐ ½ ÇÔÖ Ø Ò ÖÙÔÔ º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º ½º½ ÑÖ º º º º º º
Læs mereÇÚÖ Ø ÁÒÖÒ ÓÖ ÒÒÑ ÒØ ÇÒ¹ ÑÔÐ ØÙÔµ ½ ÁÒØÖÓ Ó ÒÖÐÐ ÖÖ ¾ Å ÑÐ Ð Ô Ø ØÑØ ØÑÑÐ ØÔÖÚ ØÖÖÐ ÃÓÒÒ ÒØÖÚÐ ÍÚÐ ØÐ ÙÒØ ÚÖÒ ¹ ØÙÔ ÃÒØ ÐÐÖ ÙÒØ ÚÖÒ Ê Ê ÒÓØ µ ÂÒ Ãº ÅÐ
ÃÙÖ Ù ¼¾¼ ÁÒØÖÓÙØÓÒ ØÐ ËØØ Ø ÓÖÐ ÒÒ ÃÔØÐ ÁÒÖÒ ÓÖ ÒÒÑ ÒØ ÇÒ¹ ÑÔÐ ØÙÔµ ÂÒ ÃÐÓÔÔÒÓÖ ÅÐÐÖ ÌÍ ÁÒÓÖÑØ ÝÒÒ ¼ ¹ ÖÙÑ ¾½¼ ÒÑÖ ÌÒ ÍÒÚÖ ØØ ¾¼¼ ÄÝÒÝ ÒÑÖ ¹ÑÐ ÑÑѺØÙº ÂÒ Ãº ÅÐÐÖ ÑÑѺØÙºµ ÁÒØÖÓÙØÓÒ ØÐ ËØØ Ø ÓÖÐ ÒÒ ÂÙÒ
Læs mereŠРº Â Ö Ò Ò À ÖØÞ ÔÖÙÒ ¹ÊÙ ÐÐ Ö Ñ Ö Ñ Ò ÔÖÓ Ø Ì Ò Ö ÙÖ Ø ÓØÓÑ ØÖ ÃÙ Ð Ó Ñ Ö ¾¼¼ ÈÖ Á Ø ÖØ Ò ½ ¼¼ Ø ÐÐ Ø Ú ØÖÓÒÓÑ Ö Ò Ð Ø Ð Ú Ø ÙØÖÓÐ Ø Ñ Ò ÑÐ Ò Ö Ø ÖÒ Ö Ò Ö ÓÑ Ö Ö Ð Ø Ú Ñ Ò ØÙ Ô ØÖ Ð Ð Ö Ø Ò Ó ÔÓ
Læs mereÇÚ Ö Ø ½ ÈÖ Ø ÁÒ ÓÖÑ Ø ÓÒ ¾ ÁÒØÖÓ Ù Ø ÓÒ Ø Ð ËØ Ø Ø ËÓ ØÛ Ö Ê Ö Ú Ò Ø Ø Ø Æ Ð Ø Ð Ö Ö Ñ Ø ÐÐ Ò Â Ò Ãº Å ÐÐ Ö Ñ ÑѺ ØÙº µ ÁÒØÖÓ Ù Ø ÓÒ Ø Ð ËØ Ø Ø ÓÖ Ð
ÃÙÖ Ù ¼¾ ¼ ÁÒØÖÓ Ù Ø ÓÒ Ø Ð ËØ Ø Ø ÓÖ Ð Ò Ò ½ ÁÒØÖÓ Ó Ö Ú Ò Ø Ø Ø Â Ò ÃÐÓÔÔ Ò ÓÖ Å ÐÐ Ö ÌÍ ÁÒ ÓÖÑ Ø Ý Ò Ò ¼ ¹ ÖÙÑ ¾½¼ ÒÑ Ö Ì Ò ÍÒ Ú Ö Ø Ø ¾ ¼¼ ÄÝÒ Ý ÒÑ Ö ¹Ñ Ð Ñ ÑѺ ØÙº Â Ò Ãº Å ÐÐ Ö Ñ ÑѺ ØÙº µ ÁÒØÖÓ
Læs merexi ; ˆσ 2 =, s/ n t(n 1)
ÃÙÖ Ù ¼¾¼¾ ÁÒØÖÓÙØÓÒ ØÐ ËØØ Ø ÓÖÐ ÒÒ ÃÔØÐ ÀÝÔÓØ Ø Ø ÓÖ ÒÒÑ ÒØ ÓÒ¹ ÑÔÐ ØÙÔµº º¹º ÂÒ ÃÐÓÔÔÒÓÖ ÅÐÐÖ ÌÍ ÁÒÓÖÑØ ÝÒÒ ¼ ¹ ÖÙÑ ¾½ ÒÑÖ ÌÒ ÍÒÚÖ ØØ ¾¼¼ ÄÝÒÝ ÒÑÖ ¹ÑÐ ÑÑѺØÙº ÂÒ Ãº ÅÐÐÖ ÑÑѺØÙºµ ÁÒØÖÓÙØÓÒ ØÐ ËØØ Ø
Læs mereËÓÑ ³ Ü ³ ÚÐ ÖÓÙÔº ËÓÑ ³ Ü ³ ÚÐ Ñ Ö Ò ÐÐ Ö Ú Ö Ú Ö Ö Ø Ó ÔÖÓ ÔÐÓØ Ø Ù ÖºÞ Ð ÞÓ ÔÐÓØ Ñ Ö Ò ÖÓÙÔ» Ü Ü ½ Ú Ü Ü ¾ Ö Ñ Ü ½ Ó Ø µ Ð Ð À µ Ú ÐÙ À ¾µ Ñ ÒÓÖ ÆÇ
ÇÔ Ú Ú Ö Ð Ú Ö Ò Ò ÐÝ ÇÔ º½ Ð Ö Ú Ò Ø Ö Ú Ö Ø Ò º º Ð Ø Ù ÖºÞ Ð ÞÓ ÒÔÙØ ÖÓÙÔ Ñ Ö Ò Ø Ð Ò Ø Ú º¼¼ Ø Ú º ¼ Ø Ú º Ø Ú ½¼º¼¼ Ø Ú ½ º¼¼ Ø Ú º ¼ Ô Ú ½½º¼¼ Ô Ú ½¼º¼¼ Ô Ú ½¼º¼¼ Ô Ú ½½º Ô Ú ½¼º ¼ Ô Ú ½ º¼¼ Ò Ò
Læs mereÇÚÖ Ø ½ ¾ ÁÒØÖÓ ÃÓÒÒ ÒØÖÚÐ ÓÖ Ò ÒÐ ÑÔÐ ½ ØÑÑÐ ØÔÖÚ ØÖÖÐ ÑÔÐ ½ ¹ ÓÖØ Ø ÀÝÔÓØ Ø Ø ÓÖ Ò ÒÐ ÑÔÐ ½ ¹ ÓÖØ Ø ÀÝÔÓØ Ø Ø ÓÖ ØÓ ÒÐ ÑÔÐ ¾ ÀÝÔÓØ Ø Ø ÓÖ Ö ÒÐ ÑÔÐ ¾
ÃÙÖ Ù ¼¾¼ ÁÒØÖÓÙØÓÒ ØÐ ËØØ Ø ÓÖÐ ÒÒ ÁÒÖÒ ÓÖ ÒÐ ÔØÐ ½¼µ ÂÒ ÃÐÓÔÔÒÓÖ ÅÐÐÖ ÌÍ ÁÒÓÖÑØ ÝÒÒ ¼ ¹ ÖÙÑ ¾½ ÒÑÖ ÌÒ ÍÒÚÖ ØØ ¾¼¼ ÄÝÒÝ ÒÑÖ ¹ÑÐ ÑÑѺØÙº ÂÒ Ãº ÅÐÐÖ ÑÑѺØÙºµ ÁÒØÖÓÙØÓÒ ØÐ ËØØ Ø ÓÖÐ ÒÒ ÂÙÒ ¾¼½½ ½» ÇÚÖ Ø
Læs mereÇÚÖ Ø ÃÔØÐ ËÑÔÐ Ö Ó ÒÐØÐ ÃÔØÐ ÖØ ÓÖÐÒÖ ÃÔØÐ ÃÓÒØÒÙÖØ ÓÖÐÒÖ ¼ ÃÔØÐ ËØÔÖÚÓÖÐÒÖ ÃÔØÐ Ó Ò Ó ØÓ ØÔÖÚÖ ÃÔØÐ ÁÒÖÒ ÓÖ ÚÖÒ Ö ÃÔØÐ ¼ ÁÒÖÒ ÓÖ ÒРʹÒÓØ ËØØ Ø Ú ÑÙ
ÃÙÖ Ù ¼¼ ÁÒØÖÓÙØÓÒ ØÐ ËØØ Ø ÓÖÐ ÒÒ ËÙÑÑÖÝ ÂÒ ÃÐÓÔÔÒÓÖ ÅÐÐÖ ÌÍ ÁÒÓÖÑØ ÝÒÒ ¼ ¹ ÖÙÑ ÒÑÖ ÌÒ ÍÒÚÖ ØØ ¼¼ ÄÝÒÝ ÒÑÖ ¹ÑÐ ÑÑѺØÙº ÂÒ Ãº ÅÐÐÖ ÑÑѺØÙºµ ÁÒØÖÓÙØÓÒ ØÐ ËØØ Ø ÓÖÐ ÒÒ ÂÙÒ ¼» ÇÚÖ Ø ÃÔØÐ ËÑÔÐ Ö Ó ÒÐØÐ ÃÔØÐ
Læs mereq 1 q 2 x 1 x 2. E(x, p, X, P) = 1 2M P x X.
ÁÒ Ð Ò Ò ËØ Ð Ø Ø Ý ÑÓ ÐÐ Ö Â Ò È Ð Ô ËÓÐÓÚ Å Ò ÙÐÐ Ñ ØÖÓ Ø Ø Ö Ò Ú Ö ÓÖ Ö Ö Ñ ÒÖ Ñ Ò ÓÑ Ø Ö Ø Ó Ø Ö Ð Ú Ö Ø ÐÐ Ø Ô Ö ÑÐ Ø Ò Ù ÓÖ Ð Ö Ú Ù ÒØÐ ÓÖ Ö Ø Ö Ó Ö Ø Ø Ø Ö Ö ÒÓ Ø Ò ÓÖ Ö ÐÐ Ö Ú Ð Ò ÓÖØÐÐ Ú Ø Ö Ñ
Læs mereÇÚ Ö Ø ½ ¾ ÅÓØ Ú Ö Ò ÑÔ Ð Ø Ñ ØÓÖ ÓÖ Ú Ö Ò Ö χ 2 ¹ ÓÖ Ð Ò Ò ÃÓÒ Ò ÒØ ÖÚ Ð ÓÖ Ò Ú Ö Ò ÀÝÔÓØ Ø Ø Ú Ö Ò Ö Ì Ø Ò Ú Ö Ò Ì Ø ØÓ Ú Ö Ò Ö F ¹ ÓÖ Ð Ò Ò ÀÝÔÓØ Ø
ÃÙÖ Ù ¼¾ ¼ ÁÒØÖÓ Ù Ø ÓÒ Ø Ð ËØ Ø Ø ÓÖ Ð Ò Ò ÁÒ Ö Ò ÓÖ Ú Ö Ò Ö Ô µ Â Ò ÃÐÓÔÔ Ò ÓÖ Å ÐÐ Ö ÌÍ ÁÒ ÓÖÑ Ø Ý Ò Ò ¼ ¹ ÖÙÑ ¾½ ÒÑ Ö Ì Ò ÍÒ Ú Ö Ø Ø ¾ ¼¼ ÄÝÒ Ý ÒÑ Ö ¹Ñ Ð Ñ ÑѺ ØÙº Â Ò Ãº Å ÐÐ Ö Ñ ÑѺ ØÙº µ ÁÒØÖÓ Ù
Læs mereÁÒ ØÖÙØ ÓÒ Ë Ø Ö Ø ØÙÖ ÁÒØÖÓ ÙØ ÓÒ ÁÒ ØÖÙØ ÓÒ Ë Ø ÁÒØ Ö ØÛ Ò Ó ØÛ Ö Ò Ö Û Ö Ú Ð ØÓ ÔÖÓ Ö ÑÑ Ö ËØ Ô ØÓ Ò ÁÒ ØÖÙØ ÓÒ Ë Ø ÓÖ Ú Ò Óѹ ÔÙØ Ö Û Ø Ø Ú Ð Ð ÐØ
ÁÒ ØÖÙØ ÓÒ Ë Ø Ö Ø ØÙÖ ÁÒØÖÓ ÙØ ÓÒ ÁÒ ØÖÙØ ÓÒ Ë Ø ÁÒØ Ö ØÛ Ò Ó ØÛ Ö Ò Ö Û Ö Ú Ð ØÓ ÔÖÓ Ö ÑÑ Ö ËØ Ô ØÓ Ò ÁÒ ØÖÙØ ÓÒ Ë Ø ÓÖ Ú Ò Óѹ ÔÙØ Ö Û Ø Ø Ú Ð Ð ÐØ ÖÒ Ø Ú Ò ØÓ ÐØ ÖÒ Ø Ú Ò ÕÙ ÒØ Ø Ú Ñ Ø Ó ÓÛ Ó Ø ÓÑÔ
Læs mereÇÚ Ö Ø ½ ¾ ÃÓÒØ ÒÙ ÖØ ËØÓ Ø Ú Ö Ð Ó ÓÖ Ð Ò Ö ÌØ ÙÒ Ø ÓÒ ÓÖ Ð Ò ÙÒ Ø ÓÒ Å ÐÚÖ Ò ÓÒØ ÒÙ ÖØ ØÓ Ø Ú Ö Ð Î Ö Ò Ò ÓÒØ ÒÙ ÖØ ØÓ Ø Ú Ö Ð ÍÒ ÓÖÑ ÓÖ Ð Ò Ò ÑÔ Ð
ÃÙÖ Ù ¼¾ ¼ ÁÒØÖÓ Ù Ø ÓÒ Ø Ð ËØ Ø Ø ÓÖ Ð Ò Ò Ã Ô Ø Ð ÃÓÒØ ÒÙ ÖØ ÓÖ Ð Ò Ö Â Ò ÃÐÓÔÔ Ò ÓÖ Å ÐÐ Ö ÌÍ ÁÒ ÓÖÑ Ø Ý Ò Ò ¼ ¹ ÖÙÑ ¾½ ÒÑ Ö Ì Ò ÍÒ Ú Ö Ø Ø ¾ ¼¼ ÄÝÒ Ý ÒÑ Ö ¹Ñ Ð Ñ ÑѺ ØÙº Â Ò Ãº Å ÐÐ Ö Ñ ÑѺ ØÙº µ ÁÒØÖÓ
Læs mereÌÖ È Ö Ò ÓÖ Ó Ë Ð Ø ÓÒ ÌÖ È Ö Ò ÓÖ Ó Ë Ð Ø ÓÒ Ê Ò Ö Ï Ð ÐÑ ÍÒ Ú Ö ØØ Ë ÖÐ Ò Û Ð ÐÑ ºÙÒ ¹ º ½ º Þ Ñ Ö ¾¼¼
Ê Ò Ö Ï Ð ÐÑ ÍÒ Ú Ö ØØ Ë ÖÐ Ò Û Ð ÐÑ ºÙÒ ¹ º ½ º Þ Ñ Ö ¾¼¼ Ó Ò Ö Ø ÓÒ Ê Ð Ñ Ò Ò Ø Ó ØÖ Ø Ñ Ò Ê Ø Ö Ñ Ò Ä Ñ Ø Ö ÓÙÖ Ö Ø Ö Ñ ÑÓÖݵ Ü ÛÓÖ Þ ËØÓÖ Ö Ö Ý ÁÒØÖ ÔÖÓ ÓÖ Ô Ö ÐРРѺ È Ò Ó Ò Ö Ø ÓÒ Ó Ð Ø ÓÒ Ð Ø Ò
Læs mereÇÚÖ Ø ½ ¾ ÑÔÐ À Ó ÚØ ÃÓÖÖÐØÓÒ ÊÖ ÓÒ ÒÐÝ Ô ½½µ ÅÒ Ø ÚÖØÖ ÑØÓ ÁÒÖÒ ÖÖ ÓÒ ÑÓÐ ÁÒÖÒ ÓÖ ÖÒ Ó ÐÒÒ ÃÓÒÒ ÒØÖÚÐ ÓÖ ÐÒÒ ÈÖØÓÒ ÒØÖÚÐ ÓÖ ÐÒÒ ÃÓÖÖÐØÓÒ Ó ÖÖ ÓÒ Ê Ê
ÃÙÖ Ù ¼¾¼ ÁÒØÖÓÙØÓÒ ØÐ ËØØ Ø ÓÖÐ ÒÒ ½½ ÃÔØÐ ½½ ÊÖ ÓÒ ÒÐÝ ÂÒ ÃÐÓÔÔÒÓÖ ÅÐÐÖ ÌÍ ÁÒÓÖÑØ ÝÒÒ ¼ ¹ ÖÙÑ ¾½ ÒÑÖ ÌÒ ÍÒÚÖ ØØ ¾¼¼ ÄÝÒÝ ÒÑÖ ¹ÑÐ ÑÑѺØÙº ÂÒ Ãº ÅÐÐÖ ÑÑѺØÙºµ ÁÒØÖÓÙØÓÒ ØÐ ËØØ Ø ÓÖÐ ÒÒ ½½ ÂÙÒ ¾¼½½ ½» ÇÚÖ
Læs merew j p j 1 w j / p / = 1
ÆÝ Ö Ö ÙÐØ Ø Ö Ò Ò ÓÖ ÔÖÓ Ð Ñ Ø Ë ÙÐ Ö Ò Ñ Ö Ú Ð Ø Ö Ô Ò ÐØ¹Ñ Ò Öº Ò Ö Ð ¹ÈÓÚÐ Ò ² Æ ÓÐ Ò Ò ½¼º ÒÙ Ö ¾¼¼ ÁÒ ÓÐ ½ ÁÒØÖÓ Ù Ø ÓÒ ¾ ÈÖÓ Ð Ñ Ø Ð ÓÖ ØÑ Ö º½ Ã Ö Ø º º º º º º º º º º º º º º º º º º º º º º
Læs meredeta = A = deta = a 11 deta 11 a 12 det A 12 + a 13 deta 13 deta = deta = 1(0 2) 5(0 0) + 0( 4 0) = 2 deta = a i,j deta i,j
Ä Ò Ò ØÖ Ø ÓÖ Ñ Ò ÓÔ Ú Ö Ä Ú Ø ÓÖÑ Ð Ø Ö Ó Ì ÓÑ Â Ò Ò ÓÒØ ÒØ ½ Ø ÖÑ Ò ÒØ Ö ½º½ Í Ú Ð Ò º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º ½º½º½ ÑÔ Ð Í Ú Ð Ò Ø ÓÖ
Læs mereEstimation og konfidensintervaller
Statistik og Sandsynlighedsregning STAT kapitel 4.4 Susanne Ditlevsen Institut for Matematiske Fag Email: susanne@math.ku.dk http://math.ku.dk/ susanne Estimation og konfidensintervaller Antag X Bin(n,
Læs mereFaggruppe Landmåling og faggruppe trafikstudier. Jakob Jakobsen c958320
*36WLO. UVHOVDIJLIWVV\VWHPHU (NVDPHQVSURMHNW,QVWLWXWIRU3ODQO JQLQJ Faggruppe Landmåling og faggruppe trafikstudier 'DQPDUNV7HNQLVNH8QLYHUVLWHW Jakob Jakobsen c958320 ÓÖÓÖ ØØ ÔÖÓ Ø Ö Ø ¼ ÔÓ ÒØ Ñ Ò ÔÖÓ Ø
Læs mereÐ ÓÖ ØÙ Ö Å Ø Ñ Ø ¹ ÓÒÓÑ Ó ËØ Ø Ø ½ º Ö Ò ÒÖº ½ Ó ØÓ Ö ¾¼¼
Ð ÓÖ ØÙ Ö Å Ø Ñ Ø ¹ ÓÒÓÑ Ó ËØ Ø Ø ½ º Ö Ò ÒÖº ½ Ó ØÓ Ö ¾¼¼ ÁÒ ÓÐ ËÓ ÃÓÚ Ð Ú Ý º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º Ð ÖØ Ð Ö ØÓ Ô ÐØ Ø µ ÈÖÑ ÓÔ Ú Ö º º º º º º º º º º º º º º º
Læs mereSusanne Ditlevsen Institut for Matematiske Fag susanne
Statistik og Sandsynlighedsregning 1 STAT kapitel 4.4 Susanne Ditlevsen Institut for Matematiske Fag Email: susanne@math.ku.dk http://math.ku.dk/ susanne 7. undervisningsuge, mandag 1 Estimation og konfidensintervaller
Læs mereJOB-SHOP- SKEDULERING OG TOGSKEDULERING Christian Sc hmidt L YNGBY 2002 EKSAMENSPR OJEKT NR. 34/02 IMM
ÂÇ ¹ËÀÇȹ Ëà ÍÄ ÊÁÆ Ç ÌÇ Ëà ÍÄ ÊÁÆ Ö Ø Ò Ë Ñ Ø Ä Æ ¾¼¼¾ ÃË Å ÆËÈÊÇ ÃÌ Æʺ»¼¾ IMM ÌÖÝ Ø ÁÅÅ ÌÍ ÓÖÓÖ ÒÒ Ö ÔÔÓÖØ ÔÖ ÒØ Ö Ö Ö ÙÐØ Ø ÖÒ Ñ Ø Ñ Ò ÔÖÓ Ø Ú Ë ¹ Ø ÓÒ ÓÖ ÇÔ Ö Ø ÓÒ Ò ÐÝ ÁÒ Ø ØÙØ ÓÖ Å Ø Ñ Ø ÅÓ ÐÐ
Læs mere¾
½ ¾ ÁÒ ÓÐ ½ ÆÓÑ Ò Ð ØÙÖ ¾ ØÖ Ø ÁÒ Ð Ò Ò ½½ º½ ÓÖÓÖ º º º º º º º º º º º º º º º º º º º º º º º º º º º º º º ½½ º¾ ÁÒ Ð Ò Ò º º º º º º º º º º º º º º º º º º º º º º º º º º º º ½½ º Ä Ú Ð Ò Ò º º
Læs mereÈÐ ÒÐ Ò Ò Ó ÓÔØ Ñ Ö Ò ÐÓ Ø ÔÖÓ Ð Ñ Ø ÐÐ Ò Ö Ø ÙÐØÙÖ ÐØ Ú Ö ÒØ Ñ Ð ÔÖ Ð ¾¼¼ Ö ØØ ÇØØ Ò ¼½½ ¾µ ÄÓÙ ÌÖ Ò Ö ½ µ ÁÒ ÓÖÑ Ø Ó Å Ø Ñ Ø ÅÓ ÐÐ Ö Ò Ê Ò Î ØÓÖ Î ÐÕÙ Î Ð ÓÖÓÖ ØØ ÔÖÓ Ø Ö Ö ÙÐØ Ø Ø ÚÓÖ Ñ Ö Ñ ØÖ Ò ÔÓÖع
Læs mereÝ ÓÖ ÄÁ ½º Í Ú ËØ Ò À Ò Ò ÁÒ Ø ØÙØ ÓÖ ÖÙÒ Ú Ò Ó Å Ð Ø ÓÚ Ò Ð ÙÐØ Ø Ã Ò ÚÒ ÍÒ Ú Ö Ø Ø ¾¼¼
Ý ÓÖ ÄÁ ½º Í Ú ËØ Ò À Ò Ò ÁÒ Ø ØÙØ ÓÖ ÖÙÒ Ú Ò Ó Å Ð Ø ÓÚ Ò Ð ÙÐØ Ø Ã Ò ÚÒ ÍÒ Ú Ö Ø Ø ¾¼¼ Ý ÓÖ ÄÁ ËØ Ò À Ò Ò ¾¼¼ ÁË Æ ÜÜÜÜÜÜÜÜÜ ËĹ Ó Ð Ò Ì ÓÖÚ Ð Ò Ú ¼ ½ ½ Ö Ö Ö ÓÖ ÓØÓ È Ø Ö º È Ø Ö Ò ÆÝ ÖÓ ÓØÓ Á»Ë Ô Ø
Læs mereÓÖÓÖ ØØ ÔÖÓ Ø Ö Ö ÙÐØ Ø Ø Ø Ñ Ö Ñ ÈÓ Ø ÒÑ Ö ÓÑ Ø ÐÓ ¹ Ð Ö Ò ÔÖÓ Ð Ñ ÓÖ Ô ÒØÖ ÆÓÖ ÐÐ Ò º Î Ð Ø Ø Ù Ö ÚÓÖ Ñ Ò ÔÖÓ Ø Ñ Ö Ñ Ò Ú Ö ÓÑ Ö ÓÖ ÚÓÖ Ú ÓÑÑ Ò ÚÖ Ø
ÅÙÐØ Ñ ØÓ ÓÐÓ Ø ÐÓ Ð Ö Ò ÔÖÓ Ð Ñ ¹ ØÖÙ ØÙÖ Ö Ò Ó ÓÔØ Ñ Ö Ò À ÒÒ Ä Ñ ÒÒ È Ø Ö Ò ½¼¾½ Ë Ö Ö Ã Ñ Ë ÙÐ Ð ½¼ Ä Æ ÂÍÆÁ ¾¼¼ ÃË Å ÆËÈÊÇ ÃÌ Æʺ IMM ÓÖÓÖ ØØ ÔÖÓ Ø Ö Ö ÙÐØ Ø Ø Ø Ñ Ö Ñ ÈÓ Ø ÒÑ Ö ÓÑ Ø ÐÓ ¹ Ð Ö Ò ÔÖÓ
Læs mereSusanne Ditlevsen Institut for Matematiske Fag susanne
Statistik og Sandsynlighedsregning 1 Repetition MS kapitel 1 3 Susanne Ditlevsen Institut for Matematiske Fag Email: susanne@math.ku.dk http://math.ku.dk/ susanne Hvad er sandsynlighed? - beskriver systemer
Læs mereÓÖÓÖ ØØ ÔÖÓ Ø Ö Ù Ö Ø ÓÑ Ø ÐÓÖ ÔÖÓ Ø Ó Ö Ö ØØ Ø ÑÓ Ô Ö ÓÒ Ö Ñ Ø Ò Ø Ð Ð Ñ Ò º Â Ú Ð ÖÒ Ø Ñ Ò Ú Ð Ö È Ø Ö ÌÓÙ ÓÖ ÓÖ Ø Ú Ø ÒÖ Ø Ö Ò Ú Ò Ø ÓÖ ÐØ Ø ÚÖ ØÖ
Ì Ø Ð Í Ö Ø Î Ð Ö ÁÒ Ø ØÙØ Ú Ö Ò ØÓ Ð Ò Ñ Ò È Ø Ö ÌÓÙ ÓÖ ÁÒ Ø ØÙØ ÓÖ Ý Ó Ã Ñ ËÝ Ò ÍÒ Ú Ö Ø Ø ½º Ñ ¾¼¼ ÓÖÓÖ ØØ ÔÖÓ Ø Ö Ù Ö Ø ÓÑ Ø ÐÓÖ ÔÖÓ Ø Ó Ö Ö ØØ Ø ÑÓ Ô Ö ÓÒ Ö Ñ Ø Ò Ø Ð Ð Ñ Ò º Â Ú Ð ÖÒ Ø Ñ Ò Ú Ð Ö
Læs mereÆÙÐ ÓÒ Ð ØÖÓÑ Ò Ø ËØÖÙØÙÖ ËØÙ Ò Ø ËÔ Ð Ò Ì Ñ Ð Ê ÓÒ ÖØ Ø ÓÒ ÞÙÖ ÖÐ Ò ÙÒ Ö Ó ØÓÖ Ö Æ ØÙÖÛ Ò Ø Ò Ñ Ö È Ý Å Ø Ñ Ø ÙÒ ÁÒ ÓÖÑ Ø Ö ÂÓ ÒÒ ÙØ Ò Ö ¹ÍÒ Ú Ö ØØ Å
ÆÙÐ ÓÒ Ð ØÖÓÑ Ò Ø ËØÖÙØÙÖ ËØÙ Ò Ø ËÔ Ð Ò Ì Ñ Ð Ê ÓÒ ÖØ Ø ÓÒ ÞÙÖ ÖÐ Ò ÙÒ Ö Ó ØÓÖ Ö Æ ØÙÖÛ Ò Ø Ò Ñ Ö È Ý Å Ø Ñ Ø ÙÒ ÁÒ ÓÖÑ Ø Ö ÂÓ ÒÒ ÙØ Ò Ö ¹ÍÒ Ú Ö ØØ Å ÒÞ ÚÓÖ Ð Ø ÚÓÒ ÂÙÐ ÙØØÑ ÒÒ ÓÖ Ò Ò Ó ÙÑ Å ÒÞ ¾¼½ Ì
Læs mereÓÖÑ Ð Ô Ø ÓÒ Ò ÔÖÓÓ ÓÖ Ø ØÓÔÓÐÓ Ý Ò Ð Ø ÓÒ Ó ÓÑ Ò ØÓÖ Ð ÙÖ Ö ØÓÔ Ð Ò Ö Ò Â Ò¹ Ö ÒÓ Ù ÓÙÖ Ä ÓÖ ØÓ Ö Á Í ÍÒ Ú Ö Ø ËØÖ ÓÙÖ ÆÊË ÈÐ ³ÁÒÒÓÚ Ø ÓÒ Ì ÒÓÐÓ ÕÙ Ó
ÓÖÑ Ð Ô Ø ÓÒ Ò ÔÖÓÓ ÓÖ Ø ØÓÔÓÐÓ Ý Ò Ð Ø ÓÒ Ó ÓÑ Ò ØÓÖ Ð ÙÖ Ö ØÓÔ Ð Ò Ö Ò Â Ò¹ Ö ÒÓ Ù ÓÙÖ Ä ÓÖ ØÓ Ö Á Í ÍÒ Ú Ö Ø ËØÖ ÓÙÖ ÆÊË ÈÐ ³ÁÒÒÓÚ Ø ÓÒ Ì ÒÓÐÓ ÕÙ ÓÙÐ Ú Ö Ëº Ö ÒØ È½¼ ½ ¼¼ ÁÐÐ Ö Ö Ò Ñ Ð ÙÒ ØÖ º Ö Ö ØÓÔ
Læs mereÁÑÔÐ Ø ÙܹÓÖÖ Ø ØÖ Ò ÔÓÖØ Ð ÓÖ Ø Ñ ÓÖ Ò Ø Ð Ñ ÒØ ÑÙÐ Ø ÓÒ Ó Ø ÓÑÔÖ Ð ÙÐ Ö ÕÙ Ø ÓÒ º ÃÙÞÑ Ò Åº ÅĐÓÐÐ Ö Ëº ÌÙÖ ÁÒ Ø ØÙØ Ó ÔÔÐ Å Ø Ñ Ø ÍÒ Ú Ö ØÝ Ó ÓÖØÑÙÒ
ÁÑÔÐØ ÙܹÓÖÖØ ØÖÒ ÔÓÖØ ÐÓÖØÑ ÓÖ ÒØ ÐÑÒØ ÑÙÐØÓÒ Ó Ø ÓÑÔÖ Ð ÙÐÖ ÕÙØÓÒ º ÃÙÞÑÒ Åº ÅĐÓÐÐÖ Ëº ÌÙÖ ÁÒ ØØÙØ Ó ÔÔÐ ÅØÑØ ÍÒÚÖ ØÝ Ó ÓÖØÑÙÒ ÖÑÒÝ ËØØ Ó Ø ÖØ ÖØ ÔÔÖÓ ØÓ ÙÔÛÒÒ³ ÆÓÒÐÒÖ Å¹Ì ÓÖÑÙÐØÓÒ ÍÒ ÐÑØÒ ØÖØÝ ÆÙÑÖÐ
Læs mereEffektivisering af det industrielle byggeri
Effektivisering af det industrielle byggeri Kandidatspeciale Byggeri og anlægssektoren Byggeledelse Aalborg universitet Sonja Dissing Pedersen Det Ingeniør-, Natur- og Sundhedsvidenskabelige Fakultet Civilingeniøruddannelsen
Læs mereHigh-Z SN Search Team Supernova Cosmology Project. m-m (mag) =0.3, W L =0.7 W M =0.0 =1.0, W L = D(m-M) (mag)
Å ÏÒÓÛ ÓÒ Ö ÒÖÝ ÖÒ ÀÙØÖÖ Ï ØÖÒ Ê ÖÚ ÍÒÚÖ Øݵ ÄÖÓÒ ÂÑ ÊØÓÒ ¼¼½±µ ÄÙÑÒÓÙ ÅØØÖ ¼½±µ 00 11 00 11 0000 1111 0000 1111 0000 1111 00000 11111 000000 111111 ÖÝÓÒ ÅØØÖ ±µ 000000 111111 000000 111111 00000000 11111111
Læs mereÈ Ö Ö ÓÑÑÙÒ Ø ÓÒ Â Ò Ä ÙØ Ö Ê ÑÙ ÃÒ ÔÔ Ó Æ Ð ØÐ Ò Ö Ò Î Ð Ö ÖÒ Ä ÙÖ Ò ÃÓÑÑÙÒ Ø ÓÒ ÑÓ ÙÐ ¾ ÊÓ Ð ÍÒ Ú Ö Ø Ø ÒØ Ö º ÒÙ Ö ¾¼¼¼ Ê ÙÑ ÈÖÓ Ø Ø Ö Ö Ñ Ñ Ö Ö Ò ØÓÐ ÙÑ Ð ÖØ ÐÚ ÒÖ ÓÔØÖ¹ Ö Ô Ö ÖØ ÑÓ Ø Ö Ò Ú Ø º ÈÖÓ
Læs mereHomepage: Literature: Work environment: library(rcmdr) Why R: 1 R-language. 1.1 Data
Ê ¹ ËÓÑÑ Ö Ñ Ø Ö ¾¼¼ ÇÐ Ú Ö Ã Ö ÑÔ ½ º ÂÙÐ ¾¼¼ ÍÒ Ú Ö ØĐ Ø Â Ò ¹¼ Â Ò Ñ Ð ÓÐ Ú Ö Ö ÑÔº ½ ½ Homepage: http://www.kirchkamp.de/ Literature: Î Ò Ð ËÑ Ø Ò ÁÒØÖÓ ÙØ ÓÒ ØÓ Ê Î ÖÞ Ò Ë ÑÔÐ Ê ÖÒ ÛÓÖØ ÓÒÓÑ ØÖ Ò
Læs mereαν x ν αν αν ϕ(x ν )
Î Ð Ó Ñ Ñ Ò Ì Ð Å Ø Ñ Ø Ø Ù Ø ϕ ( αν x ν αν ) αν ϕ(x ν ) αν Å Ø Ñ Ø Ê Ù Ñ Ô Ô ¾ ¼ ¼ ¼ ÁÒ ÓÐ ½ Î Ð ÓÑÑ Ò ¾ Ò Ö Ø Ù ¾º½ Ö Ø Ò Ñ ÐÐ Ñ Ø Ö Ò ØÖÙ Ø ÓÒ º º º º º º º º º º º º º º º º º º º º º º º º ¾º¾ Ò Ò
Læs mereÀ Ö¹ÇÖ Öµ ÍÒ Ø ÓÒ Ú ¹ ØÝÐ Ó ÜÔÐ Ø Ù Ø ØÙØ ÓÒ Å ÙÖ Ó Ý Ð ¹Ê Ò ÓÒ ÖÓÙÞ Ã Ñ Ö Ò Ô ÖØ Ñ ÒØÓ Å Ø Ñ Ø ÓÑÔÙØ Ö Ò Ð ØÖ Ð Ò Ò Ö Ò ÍÒ Ú Ö Ö Ð À Ö ÓØ¹Ï ØØ ÍÒ Ú Ö
ÀÖ¹ÇÖÖµ ÍÒ ØÓÒ Ú ¹ ØÝÐ Ó ÜÔÐØ Ù ØØÙØÓÒ ÅÙÖÓ ÝйÊÒÓÒ ÖÓÙÞ ÃÑÖÒ ÔÖØÑÒØÓ ÅØÑØ ÓÑÔÙØÖ Ò ÐØÖÐ ÒÒÖÒ ÍÒÚÖ Ö Ð ÀÖÓعÏØØ ÍÒÚÖ ØÝ Ö Ð º º Ö Ð ÒÙÖ ËÓØÐÒ Á ÒÓÚÒ Ø ÆØÖÐÒ ÇØÓÖ ¾¼¼¼ Ìг ÈÐÒ ½º ÏØ ÀÇÍ ¾º ÀÇÍ Ò ÜÔÐØ Ù
Læs mereφ( x j y k 2 ), 1 j M, 1 k N, X T e i Y T e j 2 2 = X T e i Y T e j 2 2 2e T i XY T e j
½ à ÊÆ ÄË Æ ÈÇÁÆÌË ½ Å ÌÄ ÈÖÓ Ö ÑÑ ÓÖ Ã ÖÒ Ð Å Ø Ó ÊÓ ÖØ Ë ØØ Ò Ö Ø Ó ÇØÓ Ö ¾¼ ¾¼½½ Ì Ø Ð Ö ÔÓÖØ ÓÒØ Ò ÓÑ ÓÔ ÙÐÐÝ ÐÔ ÙÐ ØÙ ÓÖ ÛÖ Ø Å Ì¹ Ä ÔÖÓ Ö Ñ ÓÖ ÖÒ Ð Ñ Ø Ó º ÆÓØ Ø Ø Ø ÓÓ Ý Ö Ù Ö ÓÒØ Ò Ú ÖÝ ÓÓ ÓÑÔ
Læs mereÐ ÓÖ ØÙ Ö Å Ø Ñ Ø ¹ ÓÒÓÑ Ó ËØ Ø Ø ½½º Ö Ò ÒÖº Ñ ÖØ ½
Ð ÓÖ ØÙ Ö Å Ø Ñ Ø ¹ ÓÒÓÑ Ó ËØ Ø Ø ½½º Ö Ò ÒÖº Ñ ÖØ ½ Ñ ½½º Ñ ÖØ ½ º Ð ÓÖ ØÙ Ö¹ Å Ø Ñ Ø ¹ ÓÒÓÑ ¹ Ó ËØ Ø Ø ØÙ Ö Ò Ú Ã Ò ÚÒ ÍÒ Ú Ö Ø Øº Ê Ø ÓÒ ÖÙÔÔ À ÒÖ Ö Ø Ò ÖÓÚ Ê ÑÙ ÓÖÙÔ À Ò Ò Ò Ú ºµ Ê Ò Â Ò Ò È Ø Ö ÄÙÒ
Læs mereH Å N D B O G M A T E M A T I K 2. U D G A V E
H Å N D B O G M A T E M A T I K C 2. U D G A V E ÁÒ ÓÐ Indhold 1 1 Procentregning 3 1.1 Delingsprocent.............................. 3 1.2 Vækstprocent.............................. 4 1.3 Renteformlen..............................
Læs mereγ : t I R γ(t) = P(t) S.
Ï ÙÒ Á ¹ Ö ÒØ ÐØÓÔÓÐÓ ÁÒ Ò ÖÙ ÑØ Þ Ò Ò ÔÙÒØ Ð Ö Ò Ò Ú ØÓÖ ÚÓÓÖ Ð Ò Ú Ò ØÓÔÓÐÓ Ó Ø Òº Ð Ð Ö Ó Ú ØÓÖ Ò Ú Ö Ö Ò Ú Ò ÔÙÒØ ØÓØ ÔÙÒØ ÔÖ Ò Û ÓÚ Ö Ò Ð ÖÚ Ð Ö Ô Ø Ú Ð Ò Ú ØÓÖÚ Ð º ÁÒº º ¾ Ú Ò Û Ò ÚÓÓÖ Ð Ú Ò Ò Ð
Læs mereV e l k o m m e n T i l M a t e m a t i k s t u d i e t! P P α ) ν xν αν ϕ(xν ϕ P P αν αν M a t e m a t i s k R u s m a p p e
Î Ð Ó Ñ Ñ Ò Ì Ð Å Ø Ñ Ø Ø Ù Ø ϕ ( αν x ν αν ) αν ϕ(x ν ) αν Å Ø Ñ Ø Ê Ù Ñ Ô Ô ¾ ¼ ¼ ¼ ÁÒ ÓÐ ½ Î Ð ÓÑÑ Ò ¾ Ò Ö Ø Ù ¾º½ Ö Ø Ò Ñ ÐÐ Ñ Ø Ö Ò ØÖÙ Ø ÓÒ º º º º º º º º º º º º º º º º º º º º º º º º ¾º¾ Ò Ò
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 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 mereÐ ÓÖ ØÙ Ö Å Ø Ñ Ø ¹ ÓÒÓÑ Ó ËØ Ø Ø ½½º Ö Ò ÒÖº ¾ Ñ Ö ½
Ð ÓÖ ØÙ Ö Å Ø Ñ Ø ¹ ÓÒÓÑ Ó ËØ Ø Ø ½½º Ö Ò ÒÖº ¾ Ñ Ö ½ ÑÓ ½½º¾ Ñ Ö ½ º Ð ÓÖ ØÙ Ö¹ Å Ø Ñ Ø ¹ ÓÒÓÑ ¹ Ó ËØ Ø Ø ØÙ Ö Ò Ú Ã Ò ÚÒ ÍÒ Ú Ö Ø Øº Ê Ø ÓÒ ÖÙÔÔ À ÒÖ Ö Ø Ò ÖÓÚ Ê ÑÙ ÓÖÙÔ À Ò Ò Ò Ú ºµ Ê Ò Â Ò Ò Å ÖØ Ò
Læs mereZ[i] = {x + yi x, y Z}. x + yi (x + yi) (x + yi) = x 2 + y 2, α, β Z[i], p 2 = N(p) = N(α)N(β).
Ð ÓÖ ØÙ Ö Å Ø Ñ Ø ¹ ÓÒÓÑ Ó ËØ Ø Ø ½ º Ö Ò ÒÖº ÔÖ Ð ¾¼¼ Ð Ð Ø ÓÖÖ ÁÒ ÓÐ Ò ÐÑ Ò Ð Ò Ó Ó Ò Ñ ÖØ º º º º º º º º º º º º º º º º º º º ÓÖÑ Ð Ò Ø Ú Ø Ø È Å Ð Ò ÌÖ ÒØ Ò Ñ Ò Ö º º º º º º º º º º º º º º º º
Læs mereTest i polynomialfordelingen
Statisti og Sadsylighedsregig STAT apitel 4.4 Test i polyomialfordelige Lad X (X,..., X ) Poly (, p). Observatio: (,..., ) der agiver atal udfald, 2,..., Susae Ditlevse Istitut for Matematise Fag Email:
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 mereÌÖÝ Ø ÁÅÅ ÌÍ
Ì ÓÖ Ö Ø Ù Ú Ð Ò ÔÐ Ð Û Ö Ý Ø Ñ Ö Ì ÓÖÝ Ú ÐÓÔÑ ÒØ Ó Ö Ð Ð Û Ý Ø Ñ ÌÙ Ö Â Ò Ò Ì Ö Ð ÃÖ Ø Ò ÌÓÐ ØÖÙÔ Ä Æ ¾¼¼ ÃË Å ÆËÈÊÇ ÃÌ Æʺ ½ ÁÅÅ ÌÖÝ Ø ÁÅÅ ÌÍ ÓÖÓÖ ÒÒ Ö ÔÔÓÖØ Ö Ø Ñ Ò ÔÖÓ Øº ÈÖÓ Ø Ø Ö Ù Ö Ø Ú ÁÒ Ø ØÙØ
Læs mereÑ ½¾º¾ Ñ Ö ½ º Ð ÓÖ ØÙ Ö¹ Å Ø Ñ Ø ¹ ÓÒÓÑ ¹ Ó ËØ Ø Ø ØÙ Ö Ò Ú Ã Ò ÚÒ ÍÒ Ú Ö Ø Øº Ê Ø ÓÒ ÖÙÔÔ À ÒÖ Ö Ø Ò ÖÓÚ Ò Ú ºµ È Ø Ö ÄÙÒ Ò Ö Ó Æ Ð Ò Ö Ì ÖÒÕÙ Ø ÁÒ
Ð ÓÖ ØÙ Ö Å Ø Ñ Ø ¹ ÓÒÓÑ Ó ËØ Ø Ø ½¾º Ö Ò ÒÖº ¾ Ñ Ö ½ Ñ ½¾º¾ Ñ Ö ½ º Ð ÓÖ ØÙ Ö¹ Å Ø Ñ Ø ¹ ÓÒÓÑ ¹ Ó ËØ Ø Ø ØÙ Ö Ò Ú Ã Ò ÚÒ ÍÒ Ú Ö Ø Øº Ê Ø ÓÒ ÖÙÔÔ À ÒÖ Ö Ø Ò ÖÓÚ Ò Ú ºµ È Ø Ö ÄÙÒ Ò Ö Ó Æ Ð Ò Ö Ì ÖÒÕÙ Ø
Læs mere(b) [x, [y, z]] + [y, [z, x]] + [z, [x, y]] = 0 ÓÖ ÐÐ x, y, z L
Ð ÓÖ ØÙ Ö Å Ø Ñ Ø ¹ ÓÒÓÑ Ó ËØ Ø Ø ½ º Ö Ò ÒÖº ÙÒ ¾¼¼ 2 4¹Ð Ó¹ ÐÓ Ò º ½ º À Ö Ò Ò Ö Ø ÚÖ Ø Ð Ø Ð Ñ Ò Ö Ø Ú Ø Ø Ó Ñ Ø Ò Ó Ú Ø ÒÐ Ò Ò Ø Ð Ñ Ø Ñ Ø Ô ÙÐ Ø ÓÒ Öº Ò Ð ÐÐ ÖÙÔÔ Ñ Ø Ñ Ø Ö Ö À Ö Ò Ø Ö ÓÖ Ø Ø Ö Ö
Læs mere¾
Á Ò Ø Ø Ù Ø Ó Ö Ñ Ø Ñ Ø Ã Ò Ú Ò Í Ò Ú Ö Ø Ø ½½º ÙÒ ¾¼½¼ Ù Ð Ó ¹ Ù Ð ÓÑ ØÖ Ö Ø Ò ËÐ ØÓÖÒ ÐÓÖÔÖÓ Ø Ñ Ø Ñ Ø Î Ð Ö Æ Ø Ð Ï Ð ¾ ÁÒ ÓÐ Ê ÙÑ ÁÒØÖÓ Ù Ø ÓÒ ½ Ù Ð ÔÓ ØÙÐ Ø Ö ½ ¾ Ù Ð Ö Ó ÝÔ Ö ÓÐ ÓÑ ØÖ ¾º½ Å ØÖ ÖÙÑ
Læs mere2 -test. Fordelingen er særdeles kompleks at beskrive med matematiske formler. 2 -test blev opfundet af Pearson omkring år 1900.
2 -fordeling og 2 -test Generelt om 2 -fordelingen 2 -fordelingen er en kontinuert fordeling, modsat binomialfordelingen som er en diskret fordeling. Fordelingen er særdeles kompleks at beskrive med matematiske
Læs mereAlgoritmer og Datastrukturer 2 (Sommer 2004)
Algoritmer og Datastrukturer 2 (Sommer 2004) 1a n = rk + 2. m = 2k + 2(r 1)(k 1). Dijkstra: O(m log n) = O((2k + 2(r 1)(k 1))log(rk + 2)) = O(rk log(rk)). 1b 2 / 1 t 1 2 1 / 1 3 / 3 1 3 s 0 / 0 På grafen
Læs mereLØSNING AF OPENSHOP OG FLO WSHOP PR OBLEMER Susanne Hjorth Tønder Rasm ussen L YNGBY 2001 EKSAMENSPR OJEKT NR. 00/00 IMM
Ä ËÆÁÆ ÇÈ ÆËÀÇÈ Ç ÄÇÏËÀÇÈ ÈÊÇ Ä Å Ê ËÙ ÒÒ À ÓÖØ Ì Ò Ö Ê ÑÙ Ò Ä Æ ¾¼¼½ ÃË Å ÆËÈÊÇ ÃÌ Æʺ ¼¼»¼¼ IMM ÌÖÝ Ø ÁÅÅ ÌÍ ÓÖÓÖ ÒÒ Ö ÔÔÓÖØ Ö Ö Ú Ø ÓÑ ÙØØ Ò ÔÖÓ Ø Ò Ò Ö ØÙ Ø ÓÖ ÓÔÒ¹ Ò Ú Ò Ò Ö Ö Ò Ö ÒÑ Ö Ì Ò ÍÒ Ú Ö
Læs mereÒ Ð Þ Ñ ÒØ ØÓ Ø Ò ÐÓ ÙÐ Óѹ ÐÙÐ ØÓÖ ÈÖÓ Ø ÔÐÓÑ Ò Ó Ù ÁÙÒ ¾¼¼¼ Ô ÖØ Ñ ÒØÙÐ ÐÙÐ ØÓ Ö ÙÐØ Ø ÙØÓÑ Ø ÐÙÐ ØÓ Ö ÍÒ Ú Ö Ø Ø ÈÓÐ Ø Ò Ò Ì Ñ Ó Ö ÊÓÑ Ò ÓÒ Ù ØÓÖ ÔÖÓ Ø ºÐº Ò º Å Ö Ò ÓÐ ÁÒ ÓÖ Ö ØÓ ÙÒ Ö Ø Ò ÓÑ Ø Ò ÝÓÙ
Læs mereTema. Model og modelkontrol ( Fx. en normalfordelt obs. række m. kendt varians) Estimation af parametre. Fordeling. Hypotese og test. Teststørrelse.
Tema Model og modelkontrol ( Fx. en normalfordelt obs. række m. kendt varians) Estimation af parametre. Fordeling. (Fx. x. µ) Hypotese og test. Teststørrelse. (Fx. H 0 : µ = µ 0 ) konfidensintervaller
Læs mereχ 2 -test i GeoGebra Jens Sveistrup, Gammel Hellerup Gymnasium
χ 2 -test i GeoGebra Jens Sveistrup, Gammel Hellerup Gymnasium Man kan nemt lave χ 2 -test i GeoGebra både goodness-of-fit-test og uafhængighedstest. Den følgende vejledning bygger på GeoGebra version
Læs mereMatematiklærerdag 2008
Matematiklærerdag 2008 Klaus Thomsen Institut for Matematiske Fag Det Naturvidenskabelige Fakultet Aarhus Universitet March 27, 2008 Matematik og kemi. Matematik og kemi. Intelligente tællemetoder - frit
Læs mereÐ ÓÖ ØÙ Ö Å Ø Ñ Ø ¹ ÓÒÓÑ Ó ËØ Ø Ø ½¾º Ö Ò ÒÖº ½ ÔØ Ñ Ö ½
Ð ÓÖ ØÙ Ö Å Ø Ñ Ø ¹ ÓÒÓÑ Ó ËØ Ø Ø ½¾º Ö Ò ÒÖº ½ ÔØ Ñ Ö ½ Ñ ½¾º½ ÔØ Ñ Ö ½ º Ð ÓÖ ØÙ Ö¹ Å Ø Ñ Ø ¹ ÓÒÓÑ ¹ Ó ËØ Ø Ø ØÙ Ö Ò Ú Ã Ò ÚÒ ÍÒ Ú Ö Ø Øº Ê Ø ÓÒ ÖÙÔÔ À ÒÖ Ö Ø Ò ÖÓÚ Ò Ú ºµ Ò Ö Ó Æ Ð Ò Ð Ò ÓÖ Ò Ø ÒÙÑÑ
Læs mereVærktøjshjælp for TI-Nspire CAS Struktur for appendiks:
Værktøjshjælp for TI-Nspire CAS Struktur for appendiks: Til hvert af de gennemgåede værktøjer findes der 5 afsnit. De enkelte afsnit kan læses uafhængigt af hinanden. Der forudsættes et elementært kendskab
Læs mereLøsning 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 mereÐÖÒ Ó ØÐØÓÖÒ Ó«ÒØÐ ÒÐ ÖÝÔØÖÒ Ó ÒÖÒº ÆÓØÖ ØÐ ÙÖ Ù ÙÐ Óغ ¾¼¼¼ ÊÚÖØ ÙÖ Ù Ø ØÐ Ó ÝÐÒÐ ÔØ Ö ÃÒ ÒØ ÓÑ Ô¹ Ð Ô ÛÛÛºÑºÙºÒ ÑØÔµ ÂÓÒ Èº ÀÒ Ò ¹ÑÐ ÑØÔѺٺ ÅØÑØ ÁÒ ØØÙØ ÖÙ ÍÒÚ Ö ØØ ÁÒÐÒÒ ÁÒÓÐ ÃÔØÐ ½º ËØÖ Ø ÐÐ Ú ÓÖ
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 mereStatistik Lektion 2. Betinget sandsynlighed Bayes regel Diskrete stokastiske variable Middelværdi og varians for diskret SV Binomialfordelingen
Statistik Lektion etinget sandsynlighed ayes regel Diskrete stokastiske variable Middelværdi og varians for diskret SV inomialfordelingen Repetition Udfaldsrum S Hændelse S Simpel hændelse O i 1, 3 4,
Læs mereInstitut for Matematiske Fag Sandsynlighedsregning og Statistik 2. R opgaver
Institut for Matematiske Fag Sandsynlighedsregning og Statistik 2 Københavns Universitet Susanne Ditlevsen og Helle Sørensen R opgaver Det er en god ide at vænne sig til at skrive kommandoerne i en editor
Læs mereÐÓÖ ÍÒÚÖ ØØ ÁÒ ØØÙØ ÓÖ ÑØÑØ ÚÒ Ö ÌØÐ ËØÖØ ÖÙÐÖ ÖÖ ÈÖÓØÔÖÓ ½º ÔØÑÖ ØÐ ½º ÑÖ ¼¼½ ÈÖÓØÖÙÔÔ ÅØ ¹½¼ ÖÙÔÔÑÐÑÑÖ ÂÓ ÈØÖ ÌÓÑ Ò ÎÐÖ Ä ÃÖ ÂÖÒ Ò ÇÔÐ ØÐ ËÒØÐ ½½ ÐÙ
ËØÖØ ÊÙÐÖ ÖÖ ÂÓ ÈØÖ ÌÓÑ Ò ÐÓÖ ÍÒÚÖ ØØ ÁÒ ØØÙØ ÓÖ ÑØÑØ ÚÒ Ö ËÔÐ ØÖÖØ ¼¼½ ÐÓÖ ÍÒÚÖ ØØ ÁÒ ØØÙØ ÓÖ ÑØÑØ ÚÒ Ö ÌØÐ ËØÖØ ÖÙÐÖ ÖÖ ÈÖÓØÔÖÓ ½º ÔØÑÖ ØÐ ½º ÑÖ ¼¼½ ÈÖÓØÖÙÔÔ ÅØ ¹½¼ ÖÙÔÔÑÐÑÑÖ ÂÓ ÈØÖ ÌÓÑ Ò ÎÐÖ Ä ÃÖ ÂÖÒ
Læs mereMATEMATIK A-NIVEAU. Anders Jørgensen & Mark Kddafi. Vejledende eksempler på eksamensopgaver og eksamensopgaver i matematik, 2012
MATEMATIK A-NIVEAU Vejledende eksempler på eksamensopgaver og eksamensopgaver i matematik, 2012 Kapitel 4 Statistik & sandsynlighedsregning 2016 MATEMATIK A-NIVEAU Vejledende eksempler på eksamensopgaver
Læs mereÇÔØÐ ÖØÖ ÊÓÒØÓÒ ÙÒÖ ÚÒ Ð ÐÝ ÒÒ ¹ Ó ÓÒØÖ ØÓÖÓÐ ËØÒ ÙÒÖ ËÔÐÒÐÒ Ú ØÐÓ ÁÒ ØØÙØ ÃÒÚÒ ÍÒÚÖ ØØ ÁÃ͵ ¼º ÙÐ ¾¼¼½ ½ Ê ÙÑ ÒÖ ÖÒ ÑØÓÖ ØÐ ÑÒØÖÒ ØÒ ÇÔØÐ ÖØÖ ÊÓÒ¹ ØÓÒ ÇÊ ÔÔÐØÓÒÖ ÙÒÖ º Ö ÙÚÐ Ø ÓÑÔÐØ Çʹ Ý ØÑ ØÐ ÙÒÖ Ð
Læs mereBinomial fordeling. n f (x) = p x (1 p) n x. x = 0, 1, 2,...,n = x. x x!(n x)! Eksempler. Middelværdi np og varians np(1 p). 2/
Program: 1. Repetition af vigtige sandsynlighedsfordelinger: binomial, (Poisson,) normal (og χ 2 ). 2. Populationer og stikprøver 3. Opsummering af data vha. deskriptive størrelser og grafer. 1/29 Binomial
Læs mereAnalyse af en lineær regression med lav R 2 -værdi
Analyse af en lineær regression med lav R 2 -værdi Denne gennemgang omhandler figur 13 i Regn med biologi. Man kan sagtens lave beregninger på egne data. Forsøgsmæssigt kræver det bare en tommestok tapet
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 mereAnalyse Numerique -- 2ieme Annee ENSEM -- Annee Version provisoire
ÇÔØ Ñ Ø ÓÒ Ò Ñ Ò ÓÒ Ò º Î Ò Ö ½ Ù ÐÐ Ø ¾¼¼ ÔÓÐÝÓÔ ÓÖÖ ÔÓÒ Ð Ú Ö ÓÒ ¾¼¼ ¾¼¼ г Ò Ò Ñ ÒØ ÕÙ ³ ÔÖÓ Ù Ô Ò ÒØ ÔÖ Ü Ò º Å ÒØÓ Ò ÕÙ ÙÖ Ø Ò Ò Ñ ÒØ Ô ÖØ Ö Ð³ ÒÒ ¾¼¼ ¹¾¼¼ Ñ Ø Ð³ ÓÒÒ ÙÖ Ö Ö ÕÙ Ø ÜØ Ó Ø ØÖ Ù ÙÜ ØÙ
Læs mere3.600 kg og den gennemsnitlige fødselsvægt kg i stikprøven.
PhD-kursus i Basal Biostatistik, efterår 2006 Dag 1, onsdag den 6. september 2006 Eksempel: Sammenhæng mellem moderens alder og fødselsvægt I dag: Introduktion til statistik gennem analyse af en stikprøve
Læs mereÖÑÒ ÅÒÑÐÑÓÐ ¹ ÓÖÑÙÐÖØ ÓÑ Ò ÝÒÑ ÐÒÖ ÑÓÐ Ö ØÒ Ï ÆÐ Ò ØØÒ ÖÚÖ Ö ÂÙÒ ¾¼¼¾ ÐÓÖ ÍÒÚÖ ØØ Ø ÌÒ ¹ÆØÙÖÚÒ Ð ÙÐØØ ÁÒ ØØÙØ ÓÖ ÅØÑØ ÖÖ Ö Î ¾¾¼ ÐÓÖ Ø ÒÑÖ ÐÓÖ ÍÒÚÖ ØØ Ø ÌÒ ¹ÆØÙÖÚÒ Ð ÙÐØØ ÁÒ ØØÙØ ÓÖ ÅØÑØ ÖÑÒ ÅÒÑÐÑÓÐ ¹
Læs mereÌ ÃÐ ¹ ÖĐÙÒ ÙÑ ËÌÁÎ Ä Ç ÇÅ ÌÊ ÁÒØ ÖÒ Ø ÓÒ Ð ÓÒ Ö Ò Ò Ú Ë Ó Ð Ð Á Ö Ð ÔÖ Ð ß½ ¾¼¼¼
Ì ÃÐ ¹ ÖĐÙÒ ÙÑ ËÌÁÎ Ä Ç ÇÅ ÌÊ ÁÒØ ÖÒ Ø ÓÒ Ð ÓÒ Ö Ò Ò Ú Ë Ó Ð Ð Á Ö Ð ÔÖ Ð ß½ ¾¼¼¼ Ì ÃÐ ¹ ÖĐÙÒ ÙÑ Ø Ú Ð Ó ÓÑ ØÖÝ ÁÒØ ÖÒ Ø ÓÒ Ð ÓÒ Ö Ò Ò Ú Ë Ó Ð Ð Á Ö Ð ÔÖ Ð ß½ ¾¼¼¼ ØØÔ»» ºØ Ò ÓÒº º л Ø» ËÔÓÒ ÓÖ Ý ÙÖÓÔ
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 mereI dag. Statistisk analyse af en enkelt stikprøve: LR test og t-test, modelkontrol, R Sandsynlighedsregning og Statistik (SaSt)
I dag Statistisk analyse af en enkelt stikprøve: LR test og t-test, modelkontrol, R Sandsynlighedsregning og Statistik (SaSt) Helle Sørensen Repetition vha eksempel om dagligvarepriser Analyse med R: ttest
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 mereProgram: 1. Repetition: p-værdi 2. Simpel lineær regression. 1/19
Program: 1. Repetition: p-værdi 2. Simpel lineær regression. 1/19 For test med signifikansniveau α: p < α forkast H 0 2/19 p-værdi Betragt tilfældet med test for H 0 : µ = µ 0 (σ kendt). Idé: jo større
Læs mereAnvendt Statistik Lektion 5. Sammenligning af to grupper * Sammenligning af middelværdier * Sammenligning af andele
Anvendt Statistik Lektion 5 Sammenligning af to grupper * Sammenligning af middelværdier * Sammenligning af andele Motiverende eksempel Antal minutter brugt på rengøring/madlavning: Rengøring/Madlavning
Læs mereStatistik II 1. Lektion. Sandsynlighedsregning Analyse af kontingenstabeller
Statistik II 1. Lektion Sandsynlighedsregning Analyse af kontingenstabeller Kursusbeskrivelse Omfang 5 kursusgange (forelæsning + opgaveregning) 5 kursusgange (mini-projekt) Emner Analyse af kontingenstabeller
Læs mereUge 10 Teoretisk Statistik 1. marts 2004
1 Uge 10 Teoretisk Statistik 1. marts 004 1. u-fordelingen. Normalfordelingen 3. Middelværdi og varians 4. Mere normalfordelingsteori 5. Grafisk kontrol af normalfordelingsantagelse 6. Eksempler 7. Oversigt
Læs mereSchweynoch, 2003. Se eventuelt http://www.mathematik.uni-kassel.de/~fathom/projekt.htm.
Projekt 8.5 Hypotesetest med anvendelse af t-test (Dette materiale har været anvendt som forberedelsesmateriale til den skriftlige prøve 01 for netforsøget) Indhold Indledning... 1 χ -test... Numeriske
Læs mereÁÒ Ø ØÙØ ÓÖ Ð ØÖÓÒ ËÝ Ø Ñ Ö Ð ÓÖ ÍÒ Ú Ö Ø Ø ÌÁÌ Ä ÁÒØ ÐÐ ÒØ Ø Ò ÑÐ Ö Ì Å Å ÖÓ Ø Ñ Ø Ý Ø Ñ Ö ÈÊÇ ÃÌÈ ÊÁÇ ½º ÖÙ Ö ½º Ñ ¾¼¼½ ÈÊÇ ÃÌ ÊÍÈÈ ½¼ ÊÍÈÈ Å Ä ÅÅ Ê Å Ð Ë ÔÔ Ö Ò Ö Ò Â Ô Ö Ð Ù Ò Ð Ê Ò ÂÙ Ø Æ Ð Ò ÇÐ
Læs mereAnvendt Statistik Lektion 6. Kontingenstabeller χ 2- test [ki-i-anden-test]
Anvendt Statistik Lektion 6 Kontingenstabeller χ 2- test [ki-i-anden-test] Kontingenstabel Formål: Illustrere/finde sammenhænge mellem to kategoriske variable Opbygning: En celle for hver kombination af
Læs mereIndhold Grupperede observationer... 1 Ugrupperede observationer... 3 Analyse af normalfordelt observationssæt... 4
BH Test for normalfordeling i WordMat Indhold Grupperede observationer... 1 Ugrupperede observationer... 3 Analyse af normalfordelt observationssæt... 4 Grupperede observationer Vi tager udgangspunkt i
Læs mereEnsidet 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 mereForsøgsplanlægning Stikprøvestørrelse
Basal statistik Esben Budtz-Jørgensen 6. november 2007 Forsøgsplanlægning Stikprøvestørrelse 1 41 Planlægning af et studie Videnskabelig hypotese Endpoints Instrumentelle/eksponerings variable Variationskilder
Læs mereMatematik A. Studentereksamen. Forberedelsesmateriale til de digitale eksamensopgaver med adgang til internettet
Matematik A Studentereksamen Forberedelsesmateriale til de digitale eksamensopgaver med adgang til internettet stx11-matn/a-080501 Tirsdag den 8. maj 01 Forberedelsesmateriale til stx A Net MATEMATIK Der
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 mereAnvendt Statistik Lektion 5. Sammenligning af to grupper * Sammenligning af middelværdier * Sammenligning af andele
Anvendt Statistik Lektion 5 Sammenligning af to grupper * Sammenligning af middelværdier * Sammenligning af andele Motiverende eksempel Antal minutter brugt på rengøring/madlavning: Rengøring/Madlavning
Læs merePreben Blæsild og Jens Ledet Jensen
χ 2 Test Preben Blæsild og Jens Ledet Jensen Institut for Matematisk Fag Aarhus Universitet Egå Gymnasium, December 2010 Program 8.15-10.00 Forelæsning 10.15-12.00 Statlab: I arbejder, vi cirkler rundt
Læs mereÇÒØÓÐÓ Ø Ø Ò Ò ÆÐ ØÐ ÒÖ Ò È Ö Ö Ì ÓÑ À Ð Ö Ò Ò Ó Ê ÑÙ ÃÒ ÔÔ ÎÐ Ö ÌÖÓ Ð Ò Ö Ò Ø ÐÓ Ô Ð ÊÓ Ð ÍÒ Ú Ö Ø Ø ÒØ Ö º Ó ØÓÖ ¾¼¼¼ Ê ÙÑ ÁÒ Ø Å Ø Ö Ì ÔÖ Ò ÔÐ Ö ÔÖÓÔÓ Ò ÑÓÒ ØÖ Ø ØØ Ñ¹ ÔÖÓÚ Ø Ô Ö ÓÖÑ Ò Ó ÁÒ ÓÖÑ Ø ÓÒ
Læs mere