I dag. Binomialfordelingen Sandsynlighedsregning og statistik. Eksempel: cornflakessmagning. Binomialfordelingen
|
|
- Stig Pedersen
- 5 år siden
- Visninger:
Transkript
1 I dag Binomialfordelingen Sandynlighedregning og tatitik Helle Sørenen Binomialfordelingen! Sandynlighedregning: definition og andynlighedfunktion Sandynlighedregning v. tatitik Statitik: tatitik model likelihoodfunktion og makimum likelihood etimation fordeling af etimator nogle meget konkrete ekempler SaSt (Uge 2, tirdag) Binomialfordelingen 1 / 21 SaSt (Uge 2, tirdag) Binomialfordelingen 2 / 21 Ekempel: cornflakemagning Binomialfordelingen Ekperiment: 20 tilfældige peroner bliver bedt om at mage på to typer cornflake (D og K) og udpege den de yne mager bedt. Hvor mange foretrækker produkt K? Andel i befolkningen der foretrækker produkt K betegne p. Hvordan kan vi bekrive dette i termer af andynlighedregning? Lad X 1,...,X n være uafhængige og identik fordelte tokatike variable med værdier i {0,1}, med for et p [0,1]. P(X i = 1) = p, Definer deuden S = X X n. P(X i = 0) = 1 p Fordelingen af S kalde binomialfordelingen med antalparameter n og andynlighedparameter p. Hvad er de mulige værdier for S? Hvad er andynlighedfunktionen, dv. hvad er P(S = )? SaSt (Uge 2, tirdag) Binomialfordelingen 3 / 21 SaSt (Uge 2, tirdag) Binomialfordelingen 4 / 21
2 Binomialandynligheder mm. Binomialfordelinger Vi får: P(S = ) = ( ) n p (1 p) n, {0,...,n} Har allerede fundet middelværdi og varian i binomialfordelingen: Middelværdi: E(S) = np Varian: Var(S) = np(1 p) Ekempler: Hvi S bin(20,0.5), hvad er å P(S = 7), E(S) og Var(S)? Hvad ker der hvi p ændre? Hvad ker der hvi n ændre? bin(20, 0.5) bin(20, 0.8) SaSt (Uge 2, tirdag) Binomialfordelingen 5 / 21 SaSt (Uge 2, tirdag) Binomialfordelingen 6 / 21 Binomialfordelinger Binomialformlen bin(20, 0.8) bin(50, 0.8) Sandynlighederne ummerer til 1: n =0 ( n Mere generelt gælder binomialformlen: (x + y) n = n k=0 ) p (1 p) n = 1 ( n k ) x k y n k, Hvad iger bimomialformlen for n = 2 og n = 3? x,y R Bevie enten ved induktion efter n eller ved kombinatorike argumenter SaSt (Uge 2, tirdag) Binomialfordelingen 7 / 21 SaSt (Uge 2, tirdag) Binomialfordelingen 8 / 21
3 Sandynlighedregning og tatitik Lidt om noterne Antag at X bin(n,p). Sandynlighedregning: Hvi vi kender p å bekriver ( ) n f p (x) = P(X = x) = p x (1 p) n x x andynlighederne for de forkellige udfald af X. Statitik: Vi har en obervation x af X men vi kender ikke p. Vi kal ige noget om p udfra obervationen x. Hvad er mon vore bedte gæt på p, baeret på obervationen x? Dette kal formaliere: tatitik model, likelihoodfunktion, etimat/etimator. Hvilke egenkaber har etimatoren ˆp? Fordeling, middelværdi, varian? En introduktion til Statitik af Suanne Ditleven og Helle Sørenen. Er tatitik vært? Statitik er anderlede, det er ikke bare matematik Faktik er matematikken i bogen ret enkel givet at andynlighedregningen er på plad. Det være(?) ligger narere i at fortå begreberne og hvad de kal gøre godt for. Huk dette når I læer! Vi har helt bevidt krevet meget tekt rundt om ætningerne. Praktike ting vedr. noterne: Der mangler tadig et kapitel om lineær regreion Opgaver kommer ved iden af (på Abalon og evt. ved forelæninger) Vi vil meget gerne have feedback, incl. trykfejl SaSt (Uge 2, tirdag) Binomialfordelingen 9 / 21 SaSt (Uge 2, tirdag) Binomialfordelingen 10 / 21 Statitik model Likelihoodfunktion og makimum likelihood etimat Data, x: antal gange en given hændele er indtruffet i n uafhængige gentageler af et forøg. Statitik model: Bekrivele af den uikkerhed der er forbundet med dataindamlingen. Bekrivele af de mulige fordelinger x kan komme fra. To marginalt forkellige bekriveler: x realiation af tokatik variabel X, der er bin(n,p)-fordelt, hvor p Θ er en ukendt parameter. Udfaldrum E = {0,1,...,n} amt familien/mængden P = {bin(n,p) p Θ} af fordelinger på E. Huk: x er oberveret (kendt tal), men p er ukendt. Parameterområde, Θ: mulige værdier for p. Ofte [0, 1], men ommetider en ægte delmængde. Før: hvi p er kendt å angiver f p (x) = P(X = x) andynligheden for at obervere x. Funktion af x for kendt p. Nu: Opfat funktionen om funktion af p for kendt x: ( ) n L x (p) = f p (x) = p x (1 p) n x x Funktionen L x : Θ [0,1] kalde for likelihoodfunktionen. Tror mere på værdier af p der gør obervationen x meget andynlig end på værdier af p der gør obervationen knapt å andynlig. Find værdi af p der gør vore obervation met andynlig: L x (ˆp) L x (p), p Θ ˆp: makimum likelihood etimatet (makimalieringetimatet, MLE) for p. SaSt (Uge 2, tirdag) Binomialfordelingen 11 / 21 SaSt (Uge 2, tirdag) Binomialfordelingen 12 / 21
4 MLE Hvordan er likelihoodfunktionen ud? Ønker altå at finde ˆp å For n = 20 og x = 7: L 7 logl 7 L x (ˆp) L x (p), p Θ Sætning 1.2: Hvi parameterområdet er [0, 1] å er ML etimatet entydigt betemt og givet ved ˆp = x/n. Bevi: Binomialkoefficienten uden betydning for max-problemet Tilfældene x = 0 og x = n Tilfældene x = 1,2,...,n 1 L(p) p log L(p) p SaSt (Uge 2, tirdag) Binomialfordelingen 13 / 21 SaSt (Uge 2, tirdag) Binomialfordelingen 14 / 21 Etimat og etimator Fordeling af ML etimatoren Etimatet er et tal, beregnet udfra obervationen x: ˆp = ˆp(x) = x/n Etimatet er en realiation af etimatoren, om er en tokatik variabel: ˆp = ˆp(X ) = X /n Skriver ommetider ˆp for både etimat og etimator... Vigtig pointe: Etimatoren ˆp = ˆp(X ) er en tokatik variabel og har derfor en fordeling, en middelværdi og en varian. Fordeling af ˆp = X /n: Hvad er de mulige værdier for ˆp? Hvad er andynlighedfunktionen for ˆp? Alternativ formulering: hvad er fordelingen af nˆp? Hvad er middelværdien, E(ˆp)? Central etimator. Hvad er varianen, Var(ˆp)? Hvad ker der når n voker? Huk at andynligheden p tadig er ukendt. Vi taler derfor ogå om den etimerede fordeling af ˆp (eller nˆp). SaSt (Uge 2, tirdag) Binomialfordelingen 15 / 21 SaSt (Uge 2, tirdag) Binomialfordelingen 16 / 21
5 Fordeling af ML etimatoren Fordeling af ML etimatoren Sand: bin(20, 0.5) Sand: bin(20, 0.8) Sand: bin(20, 0.8) Sand: bin(50, 0.8) SaSt (Uge 2, tirdag) Binomialfordelingen 17 / 21 SaSt (Uge 2, tirdag) Binomialfordelingen 18 / 21 Ekempel: cornflake Ekempel: Pepi og Coca-cola Ønker at vide hvor tor en andel p af befolkningen der foretrækker cornflake type K fremfor type D. Ekperiment: 20 tilfældige peroner bliver bedt om at mage på de to typer og udpege den de yne mager bedt. Så har vi: 12 foretrækker produkt K Obervation x = 12. Stat. model: X bin(20,p) hvor p [0,1] er ukendt. Etimat ˆp = 12/20 = 0.6. Etimator ˆp = X /20 opfylder at 20ˆp bin(20, p). Vil underøge om en given peron kan mage forkel på Pepi og Coca-cola. Peronen får erveret to gla med Pepi hhv. Coca-cola og kal udpege det med Pepi. Gentager forøget 20 gange, og oberverer antallet gange peronen vælger det rigtige gla. Antag at vi får obervationen x = 15. Under hvilke omtændigheder kan binomialfordelingen bruge til at bekrive ekperimentet? Antag det betingelerne er opfyldt... Stat. model: X bin(20, p). Hvad er det naturlige parameterområde? Etimat? Hvi p = 1/2, å er P(ˆp 0.75) = Hvad iger det om peronen evne til at mage forkel? Antag i tedet at x = 8. Hvad er etimatet å? SaSt (Uge 2, tirdag) Binomialfordelingen 19 / 21 SaSt (Uge 2, tirdag) Binomialfordelingen 20 / 21
6 Reumé Konkret: Definition og andynlighedfunktion for binomialfordelingen Statitik model baeret på binomialfordelingen Makimum likelihood etimation i binomialfordelingen, herunder likelihoodfuktionen og fordeling af etimator Begyndende fornemmele for Fredag:... hvad en tatitik model er... hvad det vil ige at etimere en parameter... at en etimator er en tokatik variabel, med en fordeling der er intereant at tudere Konfideninterval i binomialfordelingmodellen Modeller med endeligt udfaldrum, lidt mere generelt Lidt intro til R SaSt (Uge 2, tirdag) Binomialfordelingen 21 / 21
Kursus Introduktion til Statistik. Oversigt, Inferens for gennemsnit (One-sample setup)
Kuru 02402 Introduktion til Statitik Forelæning 5: Kapitel 7: Inferen for gennemnit (One-ample etup) Per Bruun Brockhoff DTU Compute, Statitik og Dataanalye Bygning 324, Rum 220 Danmark Teknike Univeritet
Læs mereProgram. Konfidensinterval og hypotesetest en enkelt normalfordelt stikprøve. Eksempel: hjerneceller hos marsvin. Eksempel: hjerneceller hos marsvin
Program Konfideninterval og hypoteetet en enkelt normalfordelt tikprøve Helle Sørenen E-mail: helle@math.ku.dk I dag: Lidt repetition fra i mandag Konfideninterval for µ the baic Tet af nulhypotee om µ
Læs mere6.7 Capital Asset Pricing Modellen
0 Lineær regreion 67 Capital Aet Pricing Modellen I dette afnit vil vi gennemgå et ekempel hvor den intereante hypotee er om regreionlinien kærer y-aken i nul Ekempel 62 Capital Aet Pricing Model) I finanielle
Læs mereProgram. Statistik og Sandsynlighedsregning 2 Normalfordelingens venner og bekendte. χ 2 -fordelingen
Program Statitik og Sandynlighedregning 2 Normalfordelingen venner og bekendte Helle Sørenen Uge 9, ondag Reultaterne fra denne uge kal bruge om arbejdhete i projekt 1. I formiddag: χ 2 -fordelingen, t-fordelingen,
Læs mereGeometrisk nivellement. Landmålingens fejlteori - Lektion 7 - Repetition - Fejlforplantning ved geometrisk nivellement. Modellen.
Landmålingen fejlteori Lektion 7 Repetition Fejlforplantning ved geometrik nivellement h t f t f t f t 4 f 4 t n f n - kkb@mathaaudk http://peoplemathaaudk/ kkb/undervining/lf Intitut for Matematike Fag
Læs mereStatistik og Sandsynlighedsregning 1. IH kapitel 6
Statistik og Sandsynlighedsregning 1 IH kapitel 6 Overheads til forelæsninger. Uge 41/2005 1 Test i Polynomialfordelingen Forsøg: n uafhængige gentagelse af forsøg med m udfald. Vi observerer x = x 1,...,
Læs mereI dag. Statistisk analyse af en enkelt stikprøve med kendt varians Sandsynlighedsregning og Statistik (SaSt) Eksempel: kobbertråd
I dag Statistisk analyse af en enkelt stikprøve med kendt varians Sandsynlighedsregning og Statistik SaSt) Helle Sørensen Først lidt om de sidste uger af SaSt. Derefter statistisk analyse af en enkelt
Læs 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 mereAfdækning af nyankomne elevers sprog og erfaringer
Hele vejen rundt om eleven prog og reourcer afdækning af nyankomne og øvrige toprogede elever kompetencer til brug i underviningen Afdækning af prog og erfaringer TRIN Afdækning af nyankomne elever prog
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 mereSamtaleark. Del 1: Elevens sprog. Spørgsmål til eleven. Noter og observationer under samtalen. Angiv elevens stærkeste sprog:
Samtaleark Del 1: Eleven prog Formål: At give kolen viden om, hvilke prog eleven har brugt og bruger med henblik på at anvende eleven prog om en reource i videre læringammenhænge. Gode råd til dig, der
Læs mereProgram. Statistisk inferens En enkelt stikprøve og lineær regression Stat. modeller, estimation og konfidensintervaller. Fordeling af gennemsnit
Faculty of Life Sciece Program Statitik ifere E ekelt tikprøve og lieær regreio Stat. modeller, etimatio og kofideitervaller Clau Ektrøm E-mail: ektrom@life.ku.dk Fordelig af geemit Statitik ifere for
Læs mereForelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup)
Kursus 02402 Introduktion til Statistik Forelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup) Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske
Læs mereBinomialfordelingen. X ~ bin(n,p): X = antal "succeser" i n uafhængige forsøg, der alle har samme sandsynlighed p for at ende med succes.
Uge 9 Teoretisk Statistik 23. februar 24 1. Binomialfordelingen 2. Den hypergeometriske fordeling 3. Poissonfordelingen 4. Den negative binomialfordeling 5. Gammafordelingen Binomialfordelingen X ~ bin(n,p):
Læs mereAgenda 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 mereSelkirk Rex i Danmark
Selkirk Rex i Danmark Af Florence McLean Der er mange ider på internettet, hvor man kan finde oplyninger om Selkirk Rex, derfor er dette blevet til en mere peronlig bekrivele af egne opleveler omkring
Læs mereEstimation og test i normalfordelingen
af Birger Stjerholm Made Samfudlitteratur 07 Etimatio og tet i ormalfordelige Dee tekt ideholder et overblik over ogle grudlæggede pricipper for etimatio og tet i ormalfordelige i hyppigt forekommede ituatioer:
Læs mereKvantitative Metoder 1 - Forår Dagens program
Dagens program Kapitel 8.1-8.3 Tilfældig stikprøve (Random Sampling) Likelihood Eksempler på likelihood funktioner Sufficiente statistikker Eksempler på sufficiente statistikker 1 Tilfældig stikprøve Kvantitative
Læs mereOverheads til forelæsninger, mandag 5. uge På E har vi en mængde af mulige sandsynlighedsfordelinger for X, (P θ ) θ Θ.
Statistiske modeller (Definitioner) Statistik og Sandsynlighedsregning 2 IH kapitel 0 og En observation er en vektor af tal x (x,..., x n ) E, der repræsenterer udfaldet af et (eller flere) eksperimenter.
Læs mereHjemmeopgave 1 Makroøkonomi, 1. årsprøve, foråret 2005 Vejledende besvarelse
Hjemmeopgave Makroøkonomi,. årprøve, foråret 2005 Vejledende bevarele Opgave. Korrekt. Arbejdtyrken er en beholdning- (tock) variabel, idet man på et givet tidpunkt (fx. jan) kan tælle, hvor mange der
Læs mereFaldmaskine. Esben Bork Hansen Amanda Larssen Martin Sven Qvistgaard Christensen. 23. november 2008
Faldmakine Eben Bork Hanen Amanda Laren Martin Sven Qvitgaard Chritenen 23. november 2008 Indhold Formål 3 2 Optilling 3 2. Materialer............................... 3 2.2 Optilling...............................
Læs mereDefinition. Definitioner
Definition Landmålingens fejlteori Lektion Diskrete stokastiske variable En reel funktion defineret på et udfaldsrum (med sandsynlighedsfordeling) kaldes en stokastisk variabel. - kkb@math.aau.dk http://people.math.aau.dk/
Læs mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Uafhængighed og reelle transformationer Helle Sørensen Uge 8, mandag SaSt2 (Uge 8, mandag) Uafh. og relle transf. 1 / 16 Program I dag: Uafhængighed af kontinuerte
Læs mereBrugerundersøgelse 2013 Plejebolig
Brugerunderøgele 2013 Plejebolig Brugerunderøgelen er udarbejdet af Epinion AS og Afdeling for Data og Analye, Sundhed- og Omorgforvaltningen, København Kommune. Layout: KK deign Foridefoto: Henrik Friberg
Læs mereVejledende løsninger til opgaver i kapitel 6
Vejledende løsninger til opgaver i kapitel Opgave 1: a) Den stokastiske variabel, X, der angiver, om en elev består, X = 1, eller dumper, X =, sin eksamen i statistik. b) En binomialfordelt variabel fremkommer
Læs mereKombinant. En kombinant er en afbildning. hvor (Y, K) er endnu et målbart rum. Typisk taler vi om reelle kombinanter, hvor Y = R.
Kombinant Lad (ν θ ) θ Θ være en statistisk model på (X, E). En kombinant er en afbildning hvor (Y, K) er endnu et målbart rum. R : X Θ Y Typisk taler vi om reelle kombinanter, hvor Y = R. Som regel forsøger
Læs mereSandsynlighedsregning 4. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen Anvendt Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner: Afsnit 3.3 og 3.4 Varians/standardafvigelse
Læs mereNanostatistik: Konfidensinterval
Nanostatistik: Konfidensinterval JLJ Nanostatistik: Konfidensinterval p. 1/37 Fraktilpåmindelse u p : Φ(u p ) = p, Φ( z ) = 1 Φ( z ) t p [f] : F t[f] (t p [f]) = p, F t[f] ( t ) = 1 F t[f] ( t ) F-fordeling:
Læs mereMatematisk modellering og numeriske metoder
Matematik modellering og numerike metoder Morten Grud Ramuen 4. oktober 26 Laplace-tranformationer. Definitionen af Laplace-tranformationen Definition. (Laplace-tranformation). Lad f være en funktion defineret
Læs mereKvantitative Metoder 1 - Forår 2007
Dagens program Kapitel 4: Diskrete fordelinger Afsnit 4.1-4.2, 4.7: Bernoulli fordeling Binomial fordeling Store Tals Lov (Laws of Averages, Laws of Large Numbers) 1 Bernoulli fordeling Kvantitative Metoder
Læs mereSandsynlighedsregning 4. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen Anvendt Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner: Afsnit 3.3 og 3.4 Varians/standardafvigelse
Læs merePraktiske ting og sager: Forelæsninger tirsdag og torsdag kl i Kirkesalen, Studiestræde 38 Øvelser
Uge 36 Velkommen tilbage Praktiske ting og sager: Forelæsninger tirsdag og torsdag kl. -2 i Kirkesalen, Studiestræde 38 Øvelser Hold -4 og 6: mandag og onsdag kl. 8-; start 3. september Hold 5: tirsdag
Læs mereSandsynlighedsregning 4. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 4. forelæsning Bo Friis Nielsen Anvendt Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner: Afsnit 3.3 og 3.4 Varians/standardafvigelse
Læs mereProgram. Statistik og Sandsynlighedsregning 2 Middelværdi og varians. Eksempler fra sidst. Sandsynlighedstæthed og sandsynlighedsmål
Program Statistik og Sandsynlighedsregning 2 Middelværdi og varians Helle Sørensen Uge 6, onsdag I formiddag: Tætheder og fordelingsfunktioner kort resume fra i mandags og et par eksempler mere om sammenhængen
Læs mereKvantitative Metoder 1 - Efterår Dagens program
Dagens program Estimation: Kapitel 9.7-9.10 Estimationsmetoder kap 9.10 Momentestimation Maximum likelihood estimation Test Hypoteser kap. 10.1 Testprocedure kap 10.2 Teststørrelsen Testsandsynlighed 1
Læs mereSandsynlighedsregning 3. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 3. forelæsning Bo Friis Nielsen Anvendt Matematik og Computer Science Danmarks Tekniske Universitet 2800 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner Stokastiske variable:
Læs mereStatistiske modeller
Statistiske modeller Statistisk model Datamatrice Variabelmatrice Hændelse Sandsynligheder Data Statistiske modeller indeholder: Variable Hændelser defineret ved mulige variabel værdier Sandsynligheder
Læs mereBRUGERUNDERSØGELSE 2014 PLEJEBOLIG. Dr. Ingrids Hjem. Sundheds- og Omsorgsforvaltningen - Brugerundersøgelse 2014: Plejebolig 1
BRUGERUNDERSØGELSE 2014 PLEJEBOLIG Sundhed- og Omorgforvaltningen - Brugerunderøgele 2014: Plejebolig 1 Brugerunderøgele 2014 Plejebolig Brugerunderøgelen er udarbejdet af Epinion P/S og Afdeling for Data
Læs mereStatistik 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 mereElementær 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 mereFag: Fysik - Matematik - IT Elever: Andreas Bergström, Mads Paludan, Jakob Poulsgærd & Mathias Elmhauge Petersen. Det skrå kast
Det krå kat Data Forøg 1: = 38 V 0 = 4, 94 K vidde = 2, 058 H = 0, 406 t = 0, 53 Forøg 2 (60 ): = 60 V 0 = 4, 48 K vidde = 1, 724 H = 0, 788 t = 0, 77 Fyik del Udførel af forøg Kat på 38 : Forøgoptilling:
Læs mereDagens Emner. Likelihood teori. Lineær regression (intro) p. 1/22
Dagens Emner Likelihood teori Lineær regression (intro) p. 1/22 Likelihood-metoden M : X i N(µ,σ 2 ) hvor µ og σ 2 er ukendte Vi har, at L(µ,σ 2 ) = ( 1 2πσ 2)n/2 e 1 2σ 2 P n (x i µ) 2 er tætheden som
Læs mereTermodynamik - Statistisk fysik - Termodynamiske relationer - Fri energi - Entropi
Fag: Termodynamik - Statitik fyik - Termodynamike relationer - Fri energi - Entropi 1 Indholdfortegnele... 2 Forord... 3 Formelle definitioner... 3 Et ytem... 3 Et lukket ytem... 3 Et ioleret ytem... 3
Læs mereSandsynlighedsregning 3. forelæsning Bo Friis Nielsen
Sandsynlighedsregning 3. forelæsning Bo Friis Nielsen Anvendt Matematik og Computer Science Danmarks Tekniske Universitet 28 Kgs. Lyngby Danmark Email: bfni@dtu.dk Dagens emner Stokastiske variable: udfald
Læs mereStatDataN: Test af hypotese
StatDataN: Test af hypotese JLJ StatDataN: Test af hypotese p. 1/69 Repetition n uafhængige gentagne målinger: Fordelingsundersøgelse: Pindediagram / Histogram qq-plot Parameter: egenskab ved fordeling
Læs mereMat2SS Vejledende besvarelse uge 11
MatSS Vejledende besvarelse uge Eksamen V99/00 opg. a Kønsfordelingen 996 den samme for de tre skoler Mænd Kvinder I alt København 5 = n x 56 = x 8 = n Odense 9 = n x 06 = x 5 = n Århus 0 = n x 40 = x
Læs mereProgram. Statistik og Sandsynlighedsregning. Eksempler. Sandsynlighedstæthed og sandsynlighedsmål
Program Statistik og Sandsynlighedsregning Sandsynlighedstætheder og kontinuerte fordelinger på R Varians og middelværdi Normalfordelingen Susanne Ditlevsen Uge 48, tirsdag Tætheder og fordelingsfunktioner
Læs mereMarkedskortet 2.0. Carsten Stig Poulsen, Institut for Erhvervsstudier, Aalborg Universitet
Markedkortet 2.0 Carten Stig Poulen, Intitut for Erhvervtudier, Aalborg Univeritet Indledning Det er nu mere end 35 år iden, at Markedkortet blev introduceret af Otto Otteen 1, forhenværende profeor i
Læs mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Middelværdi og varians Helle Sørensen Uge 6, onsdag SaSt2 (Uge 6, onsdag) Middelværdi og varians 1 / 18 Program I formiddag: Tætheder og fordelingsfunktioner kort resume
Læs mereNanostatistik: Test af hypotese
Nanostatistik: Test af hypotese JLJ Nanostatistik: Test af hypotese p. 1/50 Repetition n uafhængige gentagne målinger: Fordelingsundersøgelse: Pindediagram / Histogram qq-plot Parameter: egenskab ved fordeling
Læs mereStatistik 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 mereElementær 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. Den hændelse, der ikke indeholder
Læs mereOm 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 mereHypotesetest. Hypotesetest og kritiske værdier Type 1 og Type 2 fejl Styrken af en test Sammenligning af to populationer
Hypoteetet Hypoteetet og kritike værdier Type og Type fejl Styrke af e tet Sammeligig af to populatioer Kofideiterval for σ tore tikprøver. Hvi X følger e χ -fordelig med frihedgrader, dv. X~χ (), gælder
Læs mereEstimation. Lad (ν θ ) θ Θ være en statistisk model på (X, E). En estimator af θ er en afbildning t : X Θ. En konkret værdi t(x) kaldes et estimat.
Estimation Lad (ν θ ) θ Θ være en statistisk model på (X, E). En estimator af θ er en afbildning t : X Θ. En konkret værdi t(x) kaldes et estimat. En estimator er en gætteregel.. p.1/22 Estimation X acements
Læs mereStatistik og Sandsynlighedsregning 2
Statistik og Sandsynlighedsregning 2 Sandsynlighedstætheder og kontinuerte fordelinger på R Helle Sørensen Uge 6, mandag SaSt2 (Uge 6, mandag) Tætheder og kont. fordelinger 1 / 19 Program Velkommen I dag:
Læs mereNanostatistik: Opgavebesvarelser
Nanostatistik: Opgavebesvarelser JLJ Nanostatistik: Opgavebesvarelser p. 1/16 Pakkemaskine En producent hævder at poserne indeholder i gennemsnit 16 ounces sukker. Data: 10 pakker sukker: 16.1, 15.8, 15.8,
Læs mereDansk Økonomi, forår 2018
Dokumentationnotat til Forventede konekvener af ændringer i uddanneletøtten Dank Økonomi, forår 2018 Formandkabet d. 24.05.2018 Brian Krogh Graveren Dokumentationnotat: Forventede konekvener af ændringer
Læs mereDANSK SNAPS DESTILLERIET BRAUNSTEIN
DANSK SNAPS DESTILLERIET BRAUNSTEIN STORE SMAGSOPLEVELSER FRA BRAUNSTEIN FARFARS SNAPSETRADITION Som børn brugte de to brødre hvert år en pæn del af ommerferien på at hjælpe dere farfar med at amle pore
Læs mereRegneregler 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 mereEt firma tuner biler. Antallet af en bils cylindere er givet ved den stokastiske variabel X med massetæthedsfunktionen
STATISTIK Skriftlig evaluering, 3. semester, mandag den 6. januar 004 kl. 9.00-13.00. Alle hjælpemidler er tilladt. Opgaveløsningen forsynes med navn og CPR-nr. OPGAVE 1 Et firma tuner biler. Antallet
Læs 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 mereKursusindhold: X i : tilfældig værdi af ite eksperiment. Antag X i kun antager værdierne 1, 2,..., M.
Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet March 1, 2013 Sandsynlighedsregning og lagerstyring Normalfordelingen
Læs mereBRUGERUNDERSØGELSE 2015 PLEJEBOLIG LANGGADEHUS
BRUGERUNDERSØGELSE PLEJEBOLIG LANGGADEHUS Sundhed- og Omorgforvaltningen Brugerunderøgele : Plejebolig 1 Brugerunderøgele Plejebolig Brugerunderøgelen er udarbejdet af Epinion P/S og Afdeling for Data
Læs mereDagens Emner. Likelihood-metoden. MLE - fortsat MLE. Likelihood teori. Lineær regression (intro) Vi har, at
Likelihood teori Lineær regression (intro) Dagens Emner Likelihood-metoden M : X i N(µ,σ 2 ) hvor µ og σ 2 er ukendte Vi har, at L(µ,σ 2 1 ) = ( 2πσ 2)n/2 e 1 2 P n (xi µ)2 er tætheden som funktion af
Læs merehvor 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 mereKursusindhold: X i : tilfældig værdi af ite eksperiment. Antag X i kun antager værdierne 1, 2,..., M.
Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet February 9, 2015 Sandsynlighedsregning og lagerstyring Normalfordelingen
Læs mereEstimation ved momentmetoden. Estimation af middelværdiparameter
Statistik og Sadsylighedsregig 1 STAT kapitel 4.2 4.3 Susae Ditlevse Istitut for Matematiske Fag Email: susae@math.ku.dk http://math.ku.dk/ susae Estimatio ved mometmetode Idimellem ka det være svært (eller
Læs mereKvantitative Metoder 1 - Forår 2007. Dagens program
Dagens program Hypoteser: kap: 10.1-10.2 Eksempler på Maximum likelihood analyser kap 9.10 Test Hypoteser kap. 10.1 Testprocedure kap 10.2 Teststørrelsen Testsandsynlighed 1 Estimationsmetoder Kvantitative
Læs mereKapitel 4 Sandsynlighed og statistiske modeller
Kapitel 4 Sandsynlighed og statistiske modeller Peter Tibert Stoltze stat@peterstoltze.dk Elementær statistik F2011 1 Indledning 2 Sandsynlighed i binomialfordelingen 3 Normalfordelingen 4 Modelkontrol
Læs mereLandmålingens fejlteori - Repetition - Kontinuerte stokastiske variable - Lektion 3
Landmålingens fejlteori Repetition - Kontinuerte stokastiske variable Lektion 4 - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf10 Institut for Matematiske Fag Aalborg Universitet 29. april
Læs meremidt nyt Missionen lykkedes i det store og hele
midt nyt Nr. 1 17. januar 2007 Kaer kom ind, borde ud og kilte i jorden mellem jul og nytår. Der er tadig en mae praktike opgaver, der venter på at blive løt, men generelt forløb flytningen tilfredtillende..
Læs mereOversigt over nyttige fordelinger
Oversigt over nyttige fordelinger Helene Regitze Lund Wandsøe November 14, 2011 1 Bernoulli-fordelingen 1 Når et eksperiment har to mulige udfald: succes eller fiasko. X er en stokastisk variabel med følgende
Læs mereOversigt. Kursus Introduktion til Statistik. Forelæsning 2: Kapitel 4, Diskrete fordelinger. Per Bruun Brockhoff. Stokastiske Variable
Kursus 02402 Introduktion til Statistik Forelæsning 2: Kapitel 4, Diskrete fordelinger Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
Læs mereForelæsning 2: Kapitel 4, Diskrete fordelinger
Kursus 02402 Introduktion til Statistik Forelæsning 2: Kapitel 4, Diskrete fordelinger Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
Læs mereProdukt og marked - matematiske og statistiske metoder
Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet February 11, 2016 1/22 Kursusindhold: Sandsynlighedsregning og lagerstyring
Læs mereHvad er danskernes gennemsnitshøjde? N = 10. X 1 = 169 cm. X 2 = 183 cm. X 3 = 171 cm. X 4 = 113 cm. X 5 = 174 cm
Kon densintervaller og vurdering af estimaters usikkerhed Claus Thorn Ekstrøm KU Biostatistik ekstrom@sund.ku.dk Marts 18, 2019 Slides @ biostatistics.dk/talks/ 1 Population og stikprøve 2 Stikprøvevariation
Læs mereLidt om fordelinger, afledt af normalfordelingen
IMM, 2002-10-10 Poul Thyregod Lidt om fordelinger, afledt af normalfordelingen 1 Introduktion I forbindelse med inferens i normalfordelinger optræder forskellige fordelinger, der er afledt af normalfordelingen,
Læs mereSTATISTIKNOTER Simple binomialfordelingsmodeller
STATISTIKNOTER Simple binomialfordelingsmodeller Jørgen Larsen IMFUFA Roskilde Universitetscenter Februar 1999 IMFUFA, Roskilde Universitetscenter, Postboks 260, DK-4000 Roskilde. Jørgen Larsen: STATISTIKNOTER:
Læs mereKvantitative Metoder 1 - Efterår Dagens program
Dagens program Afsnit 3.1-3.2 Middelværdi -Definition - Regneregler Betinget middelværdi Middelværdier af funktioner af stokastiske variable Loven om den itererede middelværdi Eksempler 1 Beskrivelse af
Læs mereKvantitative Metoder 1 - Forår Dagens program
Dagens program Afsnit 3.1-3.2 Middelværdi -Definition - Regneregler Betinget middelværdi Middelværdier af funktioner af stokastiske variabler Loven om den itererede middelværdi Eksempler 1 Beskrivelse
Læs mereKvantitative Metoder 1 - Efterår Dagens program
Dagens program Approksimation af binomialsandsynligheder, Afsnit 4.5 Multinomial fordeling, Afsnit 4.8 Negativ binomialfordeling, Afsnit 4.4 Poisson fordeling og Poisson process, Afsnit 4.6 Kontinuerte
Læs mere4 Oversigt over kapitel 4
IMM, 2002-09-14 Poul Thyregod 4 Oversigt over kapitel 4 Introduktion Hidtil har vi beskæftiget os med data. Når data repræsenterer gentagne observationer (i bred forstand) af et fænomen, kan det være bekvemt
Læs mereStatistik og Sandsynlighedsregning 2. IH kapitel 12. Overheads til forelæsninger, mandag 6. uge
Statistik og Sandsynlighedsregning 2 IH kapitel 12 Overheads til forelæsninger, mandag 6. uge 1 Fordelingen af én (1): Regressionsanalyse udfaldsvariabel responsvariabel afhængig variabel Y variabel 2
Læs mereNanostatistik: Opgaver
Nanostatistik: Opgaver Jens Ledet Jensen, 19/01/05 Opgaver 1 Opgaver fra Indblik i Statistik 5 Eksamensopgaver fra tidligere år 11 i ii NANOSTATISTIK: OPGAVER Opgaver Opgave 1 God opgaveskik: Når I regner
Læs mereINSTITUT 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 mereNATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET.
NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET. Eksamen i Statistik 1TS Teoretisk statistik Den skriftlige prøve Sommer 2005 3 timer - alle hjælpemidler tilladt Det er tilladt at skrive
Læs 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 mereMå vi lege doktor? En folder til forældre om seksuel udvikling blandt børn i alderen 0-6 år
Må vi lege doktor? En folder til forældre om ekuel udvikling blandt børn i alderen 0-6 år t e t i l a u k e n r Små bø Som forældre kan du flere gange i løbet af barnet opvækt opleve at blive mødt med
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 mereRettevejledning til eksamen i Kvantitative metoder 1, 2. årsprøve 2. januar 2007
Rettevejledning til eksamen i Kvantitative metoder 1,. årsprøve. januar 007 I rettevejledningen henvises der til Berry and Lindgren "Statistics Theory and methods"(b&l) hvis ikke andet er nævnt. Opgave
Læs mereModul 2: Sandsynlighedsmodeller og diskrete stokastiske variable
Forskningsenheden for Statistik ST501: Science Statistik Bent Jørgensen Modul 2: Sandsynlighedsmodeller og diskrete stokastiske variable 2.1 Sandsynlighedsbegrebet............................... 1 2.1.1
Læs mereBilag 16 Licensbetingelser mv.
Bilag 16 Licenbetingeler mv. Vejledning: Som led i Leverancen kal Leverandøren løbende bitå Kunden med licentyring. I nærværende bilag kal Leverandøren løbende indætte licenerne til det Programmel med
Læs mereTeoretisk Statistik, 2. december 2003. Sammenligning af poissonfordelinger
Uge 49 I Teoretisk Statistik, 2. december 2003 Sammenligning af poissonfordelinger o Generel teori o Sammenligning af to poissonfordelinger o Eksempel Opsummering om multinomialfordelinger Fishers eksakte
Læs mereLineære 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 mereBasal statistik. 6. februar 2007
Basal statistik 6. februar 2007 Statistisk inferens Sandsynligheder Fordelinger Modeller Statistisk analyse Lene Theil Skovgaard, Biostatistisk Afdeling Institut for Folkesundhedsvidenskab, Københavns
Læs mereStatistik 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 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 mereUndervisningsbeskrivelse
Undervisningsbeskrivelse Stamoplysninger til brug ved prøver til gymnasiale uddannelser Termin Institution Uddannelse Fag og niveau Lærer(e) Hold Termin hvori undervisningen afsluttes: Juni 2013 Roskilde
Læs mereEn ny mellemfristet holdbarhedsindikator
En ny mellemfrie holdbarhedindikaor Andrea Øergaard Iveren Danih aional Economic Agen Model, DEAM Peer Sephenen Danih aional Economic Agen Model, DEAM DEAM Arbejdpapir 03: Februar 03 Abrac Arbejdpapire
Læs mere