Integration m.h.t. mål med tæthed

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

Momenter som deskriptive størrelser. Hvad vi mangler fra onsdag. Momenter for sandsynlighedsmål

standard normalfordelingen på R 2.

Eksamen 2014/2015 Mål- og integralteori

Program. Statistik og Sandsynlighedsregning 2 Middelværdi og varians. Eksempler fra sidst. Sandsynlighedstæthed og sandsynlighedsmål

Sandsynlighedsteori. Sandsynlighedsteori. Sandsynlighedsteori Et eksperiment beskrives af et udfaldsrum udstyret med et. Et Bayesiansk argument

Program. Statistik og Sandsynlighedsregning. Eksempler. Sandsynlighedstæthed og sandsynlighedsmål

Sandsynlighedsregning Oversigt over begreber og fordelinger

Borel-σ-algebraen. Definition (EH 1.23)

Statistik og Sandsynlighedsregning 2

Statistik og Sandsynlighedsregning 2

Elementær sandsynlighedsregning

Teoretisk Statistik, 16. februar Generel teori,repetition

Masterprojekt udarbejdet af Søren Naundrup Vejleder Steen Andersson

MASO Uge 7. Differentiable funktioner. Jesper Michael Møller. Uge 7. Formålet med MASO. Department of Mathematics University of Copenhagen

Elementær sandsynlighedsregning

Heisenbergs usikkerhedsrelationer. Abstrakt. Hvorfor? Funktionsrum. Nils Byrial Andersen Institut for Matematik. Matematiklærerdag 2013

8 Regulære flader i R 3

Sandsynlighedsregning 6. forelæsning Bo Friis Nielsen

Supplerende opgaver. S1.3.1 Lad A, B og C være delmængder af X. Vis at

= λ([ x, y)) + λ((y, x]) = ( y ( x)) + (x y) = 2(x y).

Taylors formel. Kapitel Klassiske sætninger i en dimension

Uge 10 Teoretisk Statistik 1. marts 2004

MATEMATIK 11 Eksamensopgaver Juni 1995 Juni 2001, 3. fjerdedel

Partielle afledede og retningsafledede

13 Markovprocesser med transitionssemigruppe

Statistik og Sandsynlighedsregning 2

Løsning til eksamen 16/

GEOMETRI-TØ, UGE 6. . x 1 x 1. = x 1 x 2. x 2. k f

INSTITUT FOR MATEMATISKE FAG c

Analyse 2. Bevis af Fatous lemma (Theorem 9.11) Supplerende opgave 1. Øvelser

Kalkulus 2 - Grænseovergange, Kontinuitet og Følger

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

Introduktion til Statistik. Forelæsning 3: Kontinuerte fordelinger. Peder Bacher

EKSAMENSOPGAVELØSNINGER CALCULUS 2 (2005) JANUAR 2006 AARHUS UNIVERSITET.. Beregn den retningsafledede D u f(0, 0).

Karakteristiske funktioner og Den Centrale Grænseværdisætning

Analyse 2. Gennemgå bevis for Sætning Supplerende opgave 1. Øvelser. Sætning 1. For alle mængder X gælder #X < #P(X).

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.

[BM] Mål- og integralteori, af Christian Berg og Tage Gutmann Madsen, Københavns Universitet, 2001.

Sandsynlighedsteori

hvor a og b er konstanter. Ved middelværdidannelse fås videre

[BM] Mål- og integralteori, af Christian Berg og Tage Gutmann Madsen, Københavns Universitet, 2001.

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

Sandsynlighedsregning 11. forelæsning Bo Friis Nielsen

Besvarelser til Calculus Ordinær eksamen - Forår - 6. Juni 2016

Analyse 1, Prøve 4 Besvarelse

Konvergens i L 1 -forstand. Definition af L 1 -seminorm. Topologi i pseudometrisk rum. Seminorm til norm

Eksamensnoter til Analyse 1

Betingede fordelinger

Punktgrupper. Klaus Thomsen

Trykfejlsliste - alle fejl Introduktion til Matematisk Statistik 2. udgave

MATEMATIK 11 Eksamensopgaver Juni 1995 Juni 2001, 4. fjerdedel

Transkript:

Integration m.h.t. mål med tæthed Sætning (EH 11.7) Lad ν = f µ på (X, E). For alle g M + (X, E) gælder at gdν = g f dµ. Bevis: Standardbeviset: 1) indikatorfunktioner 2) simple funktioner 3) M + -funktioner. Punkt 3) følger af 2) ved monoton konvergens. Slide 1/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Integration m.h.t. mål med tæthed Sætning (EH 11.9) Lad ν = f µ på (X, E). For en funktion g M(X, E) gælder at g er ν-integrabel netop hvis g f dµ <, og i så fald er gdν = g f dµ Bevis: Først tjekker vi integrabilitet ved M + -integration af g m.h.t. f µ. Dernæst anvender vi M + -formulen til g + - og g -integration. Slide 2/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Momenter Definition Sandsynlighedsmålet ν på (R, B) har k te moment x k dν(x) under forudsætningen at x k dν(x) <. Hvis ν = f m kan k te moment beregnes som xf (x) dx hvis x k f (x) dx <. Første moment for exponentialfordelingen er Slide 3/39 Niels Richard Hansen MI forelæsninger 4. December, 2013 0 xe x dx = 1.

Successive tætheder Sætning (Eksempel 11.8) Lad (X, E, µ) være et målrum, og lad f, g M + (X ). Så gælder g (f µ) = (f g) µ. Bevis: For A E har vi ( ) g (f µ) (A) = 1 A gd(f µ) = (1 A g) f dµ = (f g)dµ. A Slide 4/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Γ-integralet Lad ν = e x m (0, ) være exponentialfordelingen og lad g(x) = x λ 1 for λ, x > 0 (g M + ). (g ν)(r) = g dν Ex. 11.8 = 0 = Γ(λ). Integralet er kendt som Euler s Γ-funktion. x λ 1 e x dx Målet g ν har total masse Γ(λ) og tæthed x λ 1 e x m.h.t. lebesguemålet på (0, ). Slide 5/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Entydighed Sætning (EH 11.6) Lad (X, E, µ) være et σ-endeligt målrum, og lad f, g M +. Hvis f µ = g µ så er f = g µ-næsten overalt. Bevis: Definer A = { x f (x) < g(x) < }, B = { x g(x) < f (x) < }, C = { x f (x) < g(x) = }, D = { x g(x) < f (x) = }. og vis at alle mængderne har µ-mål 0. Slide 6/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Tæthedstransformationer Lad (X, E, µ) og (Y, K, ξ) være to målrum. Vi tænker på µ og ξ som naturlige grundmål. Lad t : X Y være E-K-målelig. Det centrale problem: Hvis ν = f µ er et mål med tæthed f på (X, E) 1) vil t(ν) have tæthed m.h.t. ξ? 2) I så fald, hvordan beregner vi denne tæthed? Slide 7/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Transformation af tætheder Sætning (EH 12.6) Lad ν = f m og h : R R være en borelmålelig funktion, der opfylder 1) h er bijektiv fra I til J 2) h 1 er en C 1 -funktion på J 3) ν(i c ) = 0 så gælder at h(ν) = g m J hvor g er g(y) = f h 1 (y) (h 1 ) (y), y J. Slide 8/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Substitution Sætning (EH 12.7) Hvis φ M + og h : R R er borelmålelige funktioner, og h opfylder at 1) h er bijektiv fra I til J, 2) h er en C 1 -funktion på I så gælder for alle borelmængder A I at φ(h(x)) h (x) dx = A h(a) φ(y)dy Bevis: Sæt ν = φ m J og se på transformationen h 1 (ν). For A I har vi φ(h(x)) h (x) dx = h 1 (ν)(a) = ν(h(a)) = φ(y)dy. A h(a) Slide 9/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Specialtilfælde Sætning (EH 12.4) Hvis ν = (g t) µ on (X, E), og hvis t : (X, E) (Y, K) er målelig, så gælder t(ν) = g t(µ). Korollar Hvis t : (X, E) (Y, K) er bijektiv og bi-målelig, og hvis ν = f µ er et mål på (X, E), så gælder t(ν) = f t 1 t(µ). Slide 10/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Pæne transformationer Nice transformations Betragt afbildninger h : R R og åbne intervaller I og J således at Consider a map h : R R and open intervals I and J with 1) h maps I bijectively on J, 1) h maps I bijectively on J, 2) h 1 is a C 1 -map on J. 2) h 1 is a C 1 -map on J. I h h 1 J. p.1/40 Slide 11/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Transformationer af lebesguemålet De generelle transformations- og substitutionsresultater følger ved først at se, hvordan pæne funktioner transformerer lebesguemålet. Sætning For h : R R en borelmålelig funktion, der opfylder 1) h er bijektiv fra I til J gælder at h(m I ) = g m J, hvor 2) h 1 er en C 1 -funktion på J g(y) = (h 1 ) (y), y J Slide 12/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Eksponentialfordelingen Lad X være eksponentialfordelt, hvad er fordelingen af Y = X 2? Fordelingen af X har tæthed e x m.h.t. m (0, ). Transformationen af X s fordeling ved h(x) = x 2 er et sandsynlighedsmål med tæthed for y > 0 m.h.t. m (0, ). g(y) = 1 2 y y e Slide 13/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

En integralidentitet Vi kan nu beregne middelværdien af Y = X 2 på to forskellige måder. 0 x 2 e x dx = EX 2 = EY = = 1 2 0 0 y 1 2 y e y dy ye y dy. Den resulterede integralidentitet fås også direkte ved substitutionen x = y i det sidste integral. Slide 14/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Nyttige regneregler f µ + g µ = (f + g) µ µ A + µ B = µ A B if A B = h(µ) + h(ν) = h(µ + ν) Bevis: f µ(c)+g µ(c) = For A B = er 1 A + 1 B = 1 A B, dvs. C f dµ+ gdµ = f +gdµ = (f +g) µ(c). C C µ A + µ B = 1 A µ + 1 B µ = (1 A + 1 B ) µ = 1 A B µ = µ A B. h(µ)(c) + h(ν)(c) = µ(h 1 (C)) + ν(h 1 (C)) = (µ + ν)(h 1 (C)) = h(µ + ν)(c). Slide 15/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Transformation af tætheder Sætning Lad ν = f m og h : R R være en borelmålelig funktion. Lad I 1,..., I n være disjunkte åbne intervaller, J 1,..., J n åbne intervaller og antag at h i = h Ii opfylder 1) h i er bijektiv fra I i til J i 2) h 1 i så gælder h(ν) = g m med er en C 1 -funktion på J i 3) ν ( ( n i=1 I i) c) = 0 g(y) = n i=1 1 Ji (y)f h 1 i (y) (h 1 i ) (y). Slide 16/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Positions- og skalatransformationer Se på transformationen h(x) = βx + α for α R en positionsparameter og β > 0 en skalaparameter. Hvis ν = f m er et mål med tæthed f m.h.t. lebesguemålet m på R hvad er så h(ν)? h 1 (y) = y α β og (h 1 ) = 1 β. Det transformerede mål t(ν) har tæthed f h 1 (y) (h 1 ) (y) = 1 ( ) y α β f β m.h.t. m. Slide 17/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Tætheder på R m.h.t. m Tætheder for sandsynlighedsmål har generelt formen f (x) = 1 c(θ) f θ(x), x R med f θ M + og θ en såkaldt formparameter. En udvidet form er f θ,α,β (x) = 1 ( ) x α c(θ) β f θ, x R β hvor α R og β > 0 er positions- og skalaparametre. c(θ) = f θ (x)dx (0, ) kaldes (normeringskonstanten). Slide 18/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Normalfordelingen Vi viser først at c := e x2 2 dx <. Observer at x 1 + x 2, hvoraf e x2 2 e 1 2 e x 2 og e x 2 dx Øvelse 10.12 = 2 0 e x 2 dx = 4 < Det følger at f = 1 c e x2 2 er en tæthed for et sandsynlighedsmål. Slide 19/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Normalfordelingen Sandsynlighedsmålet ν = f m på R med f (x) = 1 c e x2 2 kaldes normalfordelingen. Målet h(ν) hvor h(x) = x 2 /2 har tæthed g(y) = 1 (0, ) (y) 1 ( 2y) 2 c (e 2 + e ( 2y) 2 = 1 (0, ) (y) 2 c y 1 2 e y 2 ) m.h.t. m. Observer at h(ν) er et sandsynlighedsmål ( 2 1 = c y 1 2Γ 1 2 e y dy = 2) c eller Γ ( 1 2) = c 2. Slide 20/39 Niels Richard Hansen MI forelæsninger 4. December, 2013 0 1 2y

Normalfordelingen hvad er c? Man kan bruge spejlingsformlen for Eulers Γ-funktion Γ(z)Γ(1 z) = π sin(πz) (Ikke-trivielt!) til at vise at Γ(1/2) = π. Vi kan også bruge Beta-integral identiteten Γ(x)Γ(y) Γ(x + y) = = 2 1 t x 1 (1 t) y 1 dt (Example 12.16) 0 π/2 0 (sin θ) 2x 1 (cos θ) 2y 1 dθ for x = y = 1/2 til at vise at Γ(1/2) = π. Vi kan vise direkte at c = 2π, og dermed at Γ(1/2) = π (Eksempel 12.18). Slide 21/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Normalfordelingen Normalfordelingen med positionsparameter ξ og skalaparameter σ > 0 har tæthed f (x) = 1 (x ξ)2 e 2σ 2 for x R, 2π σ 2 Vi siger at X er N (ξ, σ 2 )-fordelt og skriver X N (ξ, σ 2 ), hvis tætheden for fordelingen af X er f. Slide 22/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Ventetider og overlevelse Tid til en begivenhed en ventetide modelleres ved en fordeling på (0, ). Hvis X er eksponentialfordelt har fordelingen af X /λ for λ > 0 tæthed f (x) = λe λx. Hvis λ > 1 bliver ventetiden mindre, og hvis λ < 1 bliver ventetiden større. Modeller for tid til død eller overlevelsestid bruges indenfor medicin, demografi og livsforsikring. Er eksponentialfordelingen en god model? Slide 23/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Rater og intensiteter Ud af brøkdelen P(X > x) af individer, der overlever til tid x, hvad er brøkdelen af individer, der dør i intervallet (x, x + δ]? p x (δ) := P(X (x, x + δ]) P(X > x) = x+δ x f (y) dy P(X > x). Observer at p x (0) = 0 og (antag at f er kontinuert) Dvs. for δ > 0 lille er λ(x) := p x(0) = p x (δ) δλ(x). f (x) P(X > x). Denne argumentation er baseret på frekvensfortolkningen. Slide 24/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Rater og intensiteter Raten eller intensiteten for en begivenhed umiddelbart efter x defineres som λ(x) = f (x) P(X > x). For eksponentialfordelingen er Dvs. P(X > x) = x λe λy dy = e λx. λ(x) = λe λx e λx = λ. For eksponentialfordelingen er raten konstant: Det faktum at vi er blevet gamle ændrer ikke vores risiko for at dø? Slide 25/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Alternative overlevelsesfordelinger Weibullfordelingen med formparameter c > 0 har tæthed intensitet f (x) = cx c 1 e xc, x > 0 λ(x) = cx c 1. Gompertzfordelingen med formparametre a > 0 og c > 1 har tæthed f (x) = a log c e a c x e acx, x > 0 og intensitet λ(x) = a log c c x. Begge fordelinger kan også udstyres med en skalaparameter. Slide 26/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

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 (tjek) målet µ er kendt som standard normalfordelingen på R 2. Slide 27/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Differentiation i R k Lad U R k være åben og h : U R m differentiabel. Den afledte i et punkt x U er Dh(x) = h 1 (x) x 1 h 2 (x) x 1. h m(x) x 1 h 1 (x) x 2... h 2 (x) x 2.... h m(x) x 2... h 1 (x) x k h 2 (x) x k.... h m(x) x k Intuition: Hvis h er differentiabel i x, så er h approksimativt affin h(y) h(x) + Dh(x)(y x) Vi siger at h er en C 1 -funktion hvis alle partielle afledte er kontinuerte.. Slide 28/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Kædereglen Antag at 1) f : R k R m er differentiabel i x, 2) g : R m R p er differentiabel i y = f (x), Så er sammensætningen g f : R k R p differentiabel i x og D(g f )(x) = Dg ( f (x) ) Df (x) matrixprodukt bemærk rækkefølgen! Slide 29/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Pæne transformationer Vi ser på h : R k R k og åbne mænder U og V således at 1) h er bijektiv fra U til V, 2) h er en C 1 -afbildning på U, 3) og h 1 er C 1 på V. Bemærk: Kædereglen medfører at for x U og y = h(x) er Dh 1 (y) = ( Dh(x)) 1. Slide 30/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Bijektive transformationer af tætheder Hvis ν = f m k og ν(u c ) = 0 så følger af den abstrakte integraltransformationssætning at h(ν) = 1 V f h 1 h(m k ) for alle borelmålelige afbildninger h : R k R k der er bijektive fra U til V. Slide 31/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Transformation af lebesguemålet Sætning (EH 12.13) Lad h : R k R k være en borelmålelig afbildning, som opfylder 1) h er bijektive fra U til V, 2) h er C 1 på U. 3) h 1 er C 1 på V. Så er h(m U ) = g m k hvor g er givet ved g(y) = 1 V (y) det Dh 1 (y) { det Dh 1 (y) for y V, = 0 for y / V. Slide 32/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Transformation af lebesguemålet Bevis: Målet 1 C h(m U ) for en lille omegn C af y 0 er approksimativt lig 1 C h(m U ), hvor og h(x 0 ) = y 0. h(x) = y 0 + Dh(x 0 )(x x 0 ) 1 C h(m U ) = 1 C det Dh 1 (y 0 ) m U Men det er ikke-trivielt at få argumentet helt stringent i særdeleshed at få kontrol over approksimationen. EH giver et fuldstændigt bevis i afsnit 12.4. Slide 33/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Pæne transformationer af tætheder Sætning (EH 12.14) Lad h : R k R k være en borelmålelig afbildning, som opfylder 1) h er bijektiv fra U til V, 2) h er C 1 på U, 3) og h 1 er C 1 på V. Hvis ν = f m k er et mål på (R k, B k ) med tæthed f m.h.t. lebesguemålet m k og ν(u c ) = 0, så er h(ν) = f m k hvor f (y) = 1 V (y)f (h 1 (y)) det Dh 1 (y) = { f (h 1 (y)) det Dh 1 (y) for y V, 0 for y / V. Slide 34/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Substitution Sætning (EH 12.15) Lad h : R k R k være en borelmålelig afbildning, som opfylder 1) h er bijektiv fra U til V, 2) h er C 1 på U, 3) og h 1 er C 1 på V. For φ M + (R k, B k ) og enhver borelmålelig delmængde A U gælder at φ(h(x)) det Dh(x) dm k (x) = φ(y)dm k (y). A h(a) Bevis: Sæt ν = 1 V φ m k og se på det transformerede mål h 1 (ν). For A U har vi at φ(h(x)) det Dh(x) dm k (x) = h 1 (ν)(a) = ν(h(a)) = φ(y)dm k (y). A Slide 35/39 Niels Richard Hansen MI forelæsninger 4. December, 2013 h(a)

Polær integration Betragt afbildningen h : (0, 2π) (0, ) R 2 defineret ved h(θ, r) = (r cos θ, r sin θ). Observer at h er bijektive på den åbne mængde (0, 2π) (0, ) og ( ) V = h (0, 2π) (0, ) = R 2 \ {(x, y) x 0, y = 0}. er åben og lige hele R 2 pånær en m 2 -nulmængde. Desuden er ( r sin θ ) cos θ det Dh(θ, r) = det r cos θ sin θ = r. Og for en M + (R 2, B 2 )-funktion f har vi integrationsformlen 2π f (x, y)dm 2 (x, y) = f (r cos θ, r sin θ) rdrdθ. 0 0 Slide 36/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Normaliseringen af normalfordelingen Polær integration og Tonellis sætning giver at og derfor er ( 2 e dx) x2 /2 = = e (x2 +y 2 )/2 dm 2 (x, y) 2π 0 = 2π = 2π. 0 0 e x2 /2 dx = 2 π. e r 2 /2 rdrdθ e r 2 /2 rdr Polær integration viser også, at sandsynlighedsmålet fra den første obligatoriske opgave er standard normalfordelingen på R 2. Slide 37/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Betaintegraler Vi viser identiteten B(λ 1, λ 2 ) = Γ(λ 1) Γ(λ 2 ) Γ(λ 1 + λ 2 ) for λ 1, λ 2 > 0. Betragt afbildningen h : (0, ) (0, 1) (0, ) (0, ) defineret ved ( ) h(x, y) = (xy, x(1 y)) with h 1 u (u, v) = u + v,. u + v Ved brug af Tonellis sætning og substitution følger at Γ(λ 1 ) Γ(λ 2 ) = 0 0 u λ 1 1 e u v λ 2 1 e v dvdu =... = Γ(λ 1 + λ 2 )B(λ 1, λ 2 ). Slide 38/39 Niels Richard Hansen MI forelæsninger 4. December, 2013

Sfæriske koordinater Der er en bijektiv afbildning h : U V = (0, ) (0, π) ( π, π) hvor U R 3 er åben med m 3 (U c ) = 0, med inverse h 1 (r, θ, φ) = (r cos(φ) sin(θ), r sin(φ) sin(θ), r cos(θ)) T og med det Dh 1 = r 2 sin(θ). Heraf følger at h(m 3 ) = f m 3 V med f (r, θ, φ) = r 2 sin(θ). Bemærk at resultatet igen er et produktmål. Slide 39/39 Niels Richard Hansen MI forelæsninger 4. December, 2013