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

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

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

Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl

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

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

Landbrugets efterspørgsel efter Kunstgødning. Angelo Andersen

Kvantitative metoder 2

Kvantitative metoder 2

Konfidensinterval for µ (σ kendt)

Opsamling. Simpel/Multipel Lineær Regression Logistisk Regression Ikke-parametriske Metoder Chi-i-anden Test

Statistik II Lektion 5 Modelkontrol. Modelkontrol Modelsøgning Større eksempel

TALTEORI Følger og den kinesiske restklassesætning.

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

Økonometri 1 Efterår 2006 Ugeseddel 9

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

Bilag 6: Økonometriske

Lineær regressionsanalyse8

Binomialfordelingen. Erik Vestergaard

Prøveeksamen Indtjening, konkurrencesituation og produktudvikling i danske virksomheder Kommenteret vejledende besvarelse

Anvendt Statistik Lektion 10. Regression med både kvantitative og kvalitative forklarende variable Modelsøgning Modelkontrol

Statistik II Lektion 4 Generelle Lineære Modeller. Simpel Lineær Regression Multipel Lineær Regression Flersidet Variansanalyse (ANOVA)

Binomialfordelingen: april 09 GJ

Ligninger med reelle løsninger

Elektromagnetisme 12 Side 1 af 6 Magnetisk energi. Magnetisk energi

Statikstik II 4. Lektion. Generelle Lineære Modeller

Udvikling af en metode til effektvurdering af Miljøstyrelsens Kemikalieinspektions tilsyn og kontrol

Funktionalligninger - løsningsstrategier og opgaver

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

Program. 1. Repetition: konfidens-intervaller. 2. Hypotese test, type I og type II fejl, signifikansniveau, styrke, en- og to-sidede test.

Statistik Lektion 15 Mere Lineær Regression. Modelkontrol Prædiktion Multipel Lineære Regression

Kvantitative metoder 2

Kvantitative metoder 2

Anvendt Statistik Lektion 10. Regression med både kvantitative og kvalitative forklarende variable Modelkontrol

Landmålingens fejlteori - Repetition - Fordeling af slutfejl - Lektion 8

Brugerhåndbog. Del IX. Formodel til beregning af udlandsskøn

Fra små sjove opgaver til åbne opgaver med stor dybde

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

Sandsynlighedsregning og statistik med binomialfordelingen

Forelæsning 8: Inferens for varianser (kap 9)

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

Fagblok 4b: Regnskab og finansiering 2. del Hjemmeopgave kl til kl

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

Statistisk mekanik 13 Side 1 af 9 Faseomdannelse. Faseligevægt

Beregning af strukturel arbejdsstyrke

Modul 5: Test for én stikprøve

2. Sandsynlighedsregning

Statikstik II 3. Lektion. Multipel Logistisk regression Generelle Lineære Modeller

TALTEORI Primfaktoropløsning og divisorer.

Landmålingens fejlteori - Lektion4 - Vægte og Fordeling af slutfejl

EKSAMEN I MATEMATIK-STATISTIK, 27. JANUAR 2006, KL 9-13

Økonometri 1. Avancerede Paneldata Metoder II Introduktion til Instrumentvariabler 27. november 2006

Økonometri 1. Lineær sandsynlighedsmodel (Wooldridge 8.5). Dagens program: Heteroskedasticitet 30. oktober 2006

Økonometri lektion 7 Multipel Lineær Regression. Testbaseret Modelkontrol

Noter til fysik 3: Statistisk fysik

Husholdningsbudgetberegner

Morten Frydenberg Biostatistik version dato:

Variansanalyse (ANOVA) Repetition, ANOVA Tjek af model antagelser Konfidensintervaller for middelværdierne Tukey s test for parvise sammenligninger

Logistisk regression. Logistisk regression. Probit model Fortolkning udfra latent variabel. Odds/Odds ratio

Økonometri 1. Avancerede Paneldata Metoder I 24.november F18: Avancerede Paneldata Metoder I 1

TALTEORI Wilsons sætning og Euler-Fermats sætning.

TALTEORI Wilsons sætning og Euler-Fermats sætning.

Inertimoment for arealer

Validering og test af stokastisk trafikmodel

Multipel Lineær Regression. Polynomiel regression Ikke-lineære modeller og transformation Multi-kolinearitet Auto-korrelation og Durbin-Watson test

6. SEMESTER Epidemiologi og Biostatistik Opgaver til 3. uge, fredag

Spørgsmål og svar om håndtering af udenlandsk udbytteskat marts 2016

Kvantitative Metoder 1 - Forår 2007

Grafteori, Kirsten Rosenkilde, september Grafteori

Stadig ligeløn blandt dimittender

FACITLISTE TIL KOMPLEKSE TAL

Kvantitative metoder 2 Forår 2007 Ugeseddel 10

Kreditrisiko efter IRBmetoden

Økonometri 1. Hvorfor simulationseksperimenter? Monte Carlo eksperimenter: Ideen. Inferens i den lineære regressionsmodel 28.

Indtjening, konkurrencesituation og produktudvikling i danske virksomheder

DLU med CES-nytte. Resumé:

Note til Generel Ligevægt

FRIE ABELSKE GRUPPER. Hvis X er delmængde af en abelsk gruppe, har vi idet vi som sædvanligt i en abelsk gruppe bruger additiv notation at:

VIA læreruddannelsen Silkeborg. WordMat kompendium

Luftfartens vilkår i Skandinavien

Analyse 1, Prøve juni r+1. Men vi har øjensynligt, at 2. r r+1

Picasa Web. En ressource i SkoleIntra. Version: August 2012

Fysik 3. Indhold. 1. Sandsynlighedsteori

Selvbooking. Hvordan ser det ud fra borgerens side?

Prøveeksamen Indtjening, konkurrencesituation og produktudvikling i danske virksomheder Kommenteret vejledende besvarelse

Prøveeksamen Indtjening, konkurrencesituation og produktudvikling i danske virksomheder Kommenteret vejledende besvarelse

Statistik II Lektion 5 Modelkontrol. Modelkontrol Modelsøgning Større eksempel

Variabel- sammenhænge

Den svingende streng

Tabsberegninger i Elsam-sagen

Statistik og Sandsynlighedsregning 2

PRODUKTIONSEFFEKTEN AF AVL FOR HANLIG FERTILITET I DUROC

Partikelbevægelser i magnetfelter

Løsning af præmie- og ekstraopgave

Nøglebegreber: Objektivfunktion, vægtning af residualer, optimeringsalgoritmer, parameterusikkerhed og korrelation, vurdering af kalibreringsresultat.

Forberedelse INSTALLATION INFORMATION

BLÅ MEMOSERIE. Memo nr Marts Optimal adgangsregulering til de videregående uddannelser og elevers valg af fag i gymnasiet.

Forslag til principerklæring til vedtagelse på FOAs strukturkongres 12. og 13. januar 2006 i Aalborg

Matematisk modellering og numeriske metoder. Lektion 18

Tilstandsligningen for ideale gasser

10. Usikkerhed og fejlsøgning

Transkript:

Estmaton af varans/sprednng Landmålngens fejlteor Lekton 4 Vægtet gennemsnt Fordelng af slutfejl - rw@math.aau.dk Insttut for Matematske Fag Aalborg Unverstet Antag X,..., X n stokastske varable med fælles mddelværd µ og varans σ. Hvs µ er kendt estmeres σ ved Ŝ n Hvs µ er ukendt estmeres σ ved S n n (X µ) n (X X) NB: begge estmater er centrale (mddelværdrette) men Ŝ har mndst varans (mest præcst). /36 /36 Lnearserng Dobbeltmålnger: X og X uafhængge mddelværd µ og varans σ. Da har dfferens Y X X kendt mddelværd nul og varans σ Y σ. σ Y kan da estmeres ved og σ estmeres ved Ŝ Y n n Ŝ Y / Y Antag X har mddelværd 0 og sprednng 0.. Lad Y log(x) (naturlg logartme). Lnearserng af log( ): Dermed log(x) log(0) + (x 0) 0 0 x + log(0) EY log(0).306 ( ) VarY 0. 0.000 0 3/36 4/36

Fortolknng af afledet Vægte motverende eksempel Højdeforskellen mellem punkterne P og P er opmålt ved et geometrsk nvellement over to forskellge stræknnger l > l. Hvs Y h(x) måler h (µ) hvor senstv Y er overfor ændrnger X omkrng µ (hvor meget gver en ændrng X anlednng tl at Y ændres). Derfor gver det god menng at VarY (h (µ)) VarX P l h De to estmater h og h er realsatoner af stokastske varable H og H med varanser l σ k og l σ k. Kan v kombnere de to estmater h og h for at opnå et bedre estmat under hensyntagen tl, at der er større uskkerhed for H end for H? En mulghed: h (h + h )/ - men det kan gøres bedre! l h P 5/36 6/36 Vægte Antag X,..., X n er uafhængge stokastske varable med ens mddelværd µ men forskellge varanser σ,..., σ n. F.eks. målnger med nstrumenter af varende kvaltet eller nogle X kunne repræsentere gennemsnt af gentagne målnger. Hvert X tldeles en vægt p > 0 som afspejler målngens kvaltet (stort p svarer tl god målng). V estmerer da µ ved det vægtede gennemsnt resulterende vægte summer sammen tl en: w p l p l n w Defnton: Vægtet gennemsnt For observatoner X,..., X n med vægte p > 0,..., p n > 0 er det vægtede gennemsnt X p n p X + + p n p X n p (p X + + p n X n ). 7/36 8/36

Centraltet af vægtet gennemsnt Optmale vægte Det vægtede gennemsnt X p n p X + + er et centralt estmat af µ, dvs. p n p X n E( X ) µ for et hvlket som helst valg af vægte p > 0,..., p n > 0. p (p X + + p n X n ) Der er uendelg mange mulge valg af vægte. Hvad er det bedste valg? Bedst betyder varansen Var X mndst mulg! Sætnng: Optmale vægte Varansen Var X er mnmal hvs vægtrelatonen p σ p σ p n σn. er opfyldt. 9/36 0/36 Vægtrelatonen Antag vægtrelatonen er opfyldt: p σ p σ p n σ n. Lad σ0 betegne den fælles værd af p σ observaton med vægt p 0 ). (svarer tl varans for Vægtrelatonen: Eksempel Antag varansen på første målng er dobbelt så stor som på den anden (σ σ ). Et valg af vægte, der opfylder vægtrelatonen, er p og p (σ 0 σ ), det p σ p σ σ σ Da ser v p σ 0 σ 3 Der er uendelg mange lge gode valg af vægte!! Et andet valg er p og p (σ 0 σ ). Dvs. v skal smpelthen vælge vægtene så de er omvendt proportonale med varanserne! Bemærk: I eksemplet er vægten på den bedste målng dobbelt så stor som vægten på den dårlge målng. /36 Begge valg af vægte gver samme X : p /(p + p ) /( + ) (/)/(/ + ) /3 /36

Alle vægte der opfylder vægtrelatonen gver samme resulterende vægte og dermed samme X. Varansen for det vægtede gennemsnt Dermed p σ 0 σ Sætnng: Varansen af vægtet gennemsnt Antag vægtrelatonen er opfyldt, dvs. w p n l p l σ 0 σ l σ 0 σ l σ l σ l l σ σ l Da gælder p σ p n σ n σ 0. Var( X ) σ0 n p. Dvs. sdste ende afhænger X kke af σ 0. Med et andet sæt vægte p σ 0/σ fås nøjagtg samme w! 3/36 4/36 Eksempel Estmat af σ 0 X, X og X 3 har fælles mddelværd µ og varanser hhv. 3, 4,. Et optmalt sæt af vægte er p /3, p /4 og p 3. Antag x 5, x 5.7 og x 3 4.9 er observeret. Da er Endvdere er x 5.047 Var X 3 + 4 + 0.63 4 Estmat af σ0 Som estmat af σ0 anvendes S0: S0 p (X X ) n p X ( X ) n p Der gælder, at S 0 er et centralt estmat for σ 0: ES 0 σ 0.. 5/36 6/36

Estmat af Var( X ) Eksempel: Geometrsk nvellement V har, at s 0 er et centralt estmat for σ 0. Varansen for det vægtede gennemsnt er Var( X ) σ 0 p Et centralt estmat for varansen af det vægtede gennemsnt er derfor s 0 p En højdeforskel er nvelleret over n stræknnger med samme klometersprednng σ k. Varansen over en længde l er fra tdlgere gvet ved σ k l. Højdeforskel h Længde l Varans på h over l h l σ σ k l h l σ σk l... h n l n σ n σ k l n Forskellge varanser pga. forskellge stræknnger (l l j ). 7/36 8/36 Eksempel: Geometrsk nvellement valg af vægte Vægtrelatonen er opfyldt når σ0 p σ p n σn Indsættes udtrykket for σ l σk har v: Eksempel Højdeforskellen mellem punkterne P og P er opmålt ved et geometrsk nvellement over to forskellge stræknnger. l h P Heraf fremgår det at hvs p l σ 0 p σ kl p n σ kl n er lgheden opfyldt: P l h σ0 l σ kl l n σkl n σk σk. Dvs. vægte kan vælges tl p (l ) (recprokke længde). Bemærk: her svarer σ 0 tl klometervaransen σ k. Hvs σ k er ukendt kan den estmeres vha. S 0! 5 Data: h 347mm, l 67m h 356mm, l 853m Estmat af højdeforskel (vægtet gennemsnt): x /67 /67 + /853 347 + /853 356 350, 96mm /67 + /853 9/36 0/36

Eksempel - polygonvnkler Antag yderlgere at klometersprednng σ k 3mm/ km. Varans på estmatet: Var X 3 /000 /67 + /853 3.380 Tl sammenlgnng er varanserne for X og X henholdsvs 6.039 og 7.677. NB: v omregner klometervarans 3 mm /km tl metervarans 3 /000 mm /m da længderne er angvet m. V måler vnklerne punkterne -4. Alle vnkler er målt med samme varans σ v. Lad σm, være varansen af mddelsatsen punkt. Punkt Antal satser σ m, σ m, σ v 3 σ m, σ v 3 3 4 σm,3 σ v 4 4 4 6 σm,4 σ v 6 3 /36 /36 Eksempel - fortsat Fordelng af slutfejl Ifølge vægtrelatonen skal p σm, være ens for alle, Jf. udtrykkene fra forrge slde p σ m, p σ m, p 3 σ m,3 p 4 σ m,4. σv p p σv 3 p σv 3 4 p σv 4 6. Således kan vægtene vælges lg antal satser for hvert punkt: Med dsse vægte gælder σ 0 σ v. p p 3 p 3 4 p 4 6 Igen kan σ v om fornødent estmeres vha. S 0. 6 Betragt en stuaton, hvor v ved, at summen af vores observatoner skal være lg en kendt værd x 0. Dette kunne eksempelvs være: x 0 00 gon, hvor vores målnger er vnkler en trekant. x 0 0 mm, hvor v nvellerer et lukket net, dvs. slut- og startpunkt er det samme.... Slutfejlen er afvgelsen mellem x 0 og den faktske sum af observatoner. 3/36 4/36

Nvellement bestemmelse af kote Model V ønsker at beregne koten µ tl punktet P med højdeforskelle h tl P og h tl P. Længderne fra P tl de to punkter P og P er henholdvs l og l. P µ l h P µ l h Punkterne P og P har kendte koter, hhv. µ og µ. To bud på koten P : µ + h og µ h. P µ P µ l h P µ l h X µ + H og X µ H er uafhængge stokastske varable med E(X ) E(X ) µ hvor H og H er de stokastske varable svarende tl h og h. Fra før har v, at Var(X ) l σ k og Var(X ) l σ k. P µ 5/36 6/36 Estmat af µ Tl at estmere µ anvendes det vægtede gennemsnt x det varanserne på højdemålngerne kke nødvendgvs er ens, x p p + p (µ + h ) + p p + p (µ h ), hvor vægtene p og p opfylder vægtrelatonen p l σ k p l σ k. Eksempel Højdeforskellen mellem punkterne P og P er opmålt ved et geometrsk nvellement over to forskellge stræknnger. P l P l h P µ Dvs. de recprokke længder kan anvendes som vægte, µ h Estmatet for µ er altså gvet ved: p l og p l. x l l l + l (µ + h ) + l + l (µ h ). 7 Data: µ 743mm, h 47mm, l 67m µ 788mm, h 56mm, l 853m Estmat af koten punktet P : x /67 /67 + /853 (743+47)+ /853 (788 56) 7675, 36mm /67 + /853 7/36 8/36

Estmat af µ - en omskrvnng Slutfejlen r På grund af målefejl er h + h µ µ. Derfor ndføres slutfejlen r V kan omskrve udtrykket for x således: r µ µ (h + h ) µ h µ + h + r. x l l l + l (µ + h ) + l + l (µ h ) l l l l l l l + (µ + h ) + l l l l + (µ h ) l l l l l + l (µ + h ) + l l + l (µ h ) Indsættes dette udtrykket for x får v x l l + l (µ + h ) + l l + l (µ h ) l l + l (µ + h ) + l l + l (µ + h + r) (µ + h ) + l l + l r Slutfejlen på estmatet x af koten µ skal under de anvendte vægte (recprokke længdemål) fordeles proportonalt med vejlængden. 9/36 30/36 Eksempel fortsat Slutfejl af vnkelmålnger trekant P l µ l P h P h µ Data: µ 743mm, h 47mm, l 67m µ 788mm, h 56mm, l 853m Slutfejl: µ µ 788 743 397, h + h 47 + 56 403mm Slutfejl r n 397 403 6mm Estmat af koten punktet P : (µ +h )+ l 67 r n 743+47+ ( 6) 743+47, 64 l + l 67 + 853 Højdeforskelen h skal altså nedkorrgeres,64mm. 3/36 8 α Betragt trekanten med sande vnkler α, β og γ. Dvs α + β + γ 00 gon. Lad X α, X β og X γ være stokastske varable (vnkelmålnger) med og E(X α ) α E(X β ) β E(X γ ) γ Var(X α ) Var(X β ) Var(X γ ) σ β γ 3/36

Estmat af α X α er en drekte observaton af α. Y α 00 X β X γ er en ndrekte observaton af α: EY α 00 EX β EX γ α VarY α σ Idet varanserne for de to observatoner X α og Y α er forskellge anvendes vægtet gennemsnt med p og p (da varansen på Y α to gange varans på X α ). Dvs. α estmeres ved x 3 x α + 3 y α 3 x α + 3 (00 x β x γ ) Slutfejlen r v på vnkelsummen Som foregående eksempel er summen af x α, x β og x γ kke 00 pga. uundgålge målefejl. Derfor ndføres slutfejl r v r v 00 (x α + x β + x γ ) 00 x β x γ x α + r v, som ndsættes udtrykke for x, x 3 x α + 3 (00 x β x γ ) 3 x α + 3 (x α + r v ) x α + 3 r v. 33/36 Dvs. slutfejlen fordeles lgelgt på alle vnkler når vnklerne er målt med samme varans (NB kke tlfældet eksamensopgave B). 34/36 Eksempel Slutfejl: Estmat af α: x α 9 x β 8 x γ 87 r v 00 9 8 87 6 x α + 3 r v 9 89 Antag sprednngen på vnkelmålngerne er σ 0.. Da er varansen på estmatet (med σ 0 σ ) Var X σ 3 3 σ og sprednngen på estmatet er 3 σ 0.86σ 9 35/36