Repetition DMI, m.m. Några begrepp. egenskap d. egenskap1
|
|
- Ulla-Britt Jansson
- för 5 år sedan
- Visningar:
Transkript
1 Repetto DMI, m.m. I. ermolog och Grudproblem II. Ljär algebra III. Optmerg IV. Saolkhetslära V. Parameterestmerg Några begrepp Möstervektor (egeskapsvektor/data) lsta med umerska värde som beskrver möstret. Brukar heta. egeskap egeskap 2 = M egeskap d varje egeskap ses som e koordat ett d-dmesoellt rum 2 Börvärde. Ofta vektor (eg. target vector, el. desred output) de vektor som hör hop med. brukar heta t, y eller d. Mösterrum v betraktar ett möster,, som e pukt ett vektorrum med dmeso d. E: 2 (vkt) perso. perso 2 (lägd) 3
2 Grudproblem DMI Klassfcerg (förk. klassg ) syoym: möstergekäg ästa syoym: detekto Regresso ästa syoym: fuktosappromato Kodg effektv represetato av data 4 För detta krävs... Mägd med trägseempel (trägsmägd) syoymer: desgeempel, trägsdata atge (a) X = {, t..., N, t N} eller (b) X = {,..., N } Ilärg syoymer: träg, parameterestmerg ka var övervakad (supervsed, fall (a)) eller oövervakad (usupervsed, fall (b)) 5 Övervakad lärg rägsdata X = {, t..., N, t N} Målet är att, baserat på trägsdata, skapa e fukto som, gvet, predkterar t. Valg vd klassfcerg att låta t vara e s.k. dkatorfukto? tˆ skattg/estmat/ appromato t 0 M = 0 M på pos. om C 0 aars 6 2
3 Oövervakad lärg rägsdata X = {,..., N } Mål: fa (oftast kompakt) represetato av, dvs koda eller komprmera syfte att: Förekla lösge av problem som ka beskrvas som övervakad lärg. Vsualsera (Kode y har typskt ma 3 dmesoer. Ka då plotta möstre som pukter sprdgsdagram.)? y? ˆ y har lägre dmeso ä ˆ 7 Eempel på oövervakad lärg Va prcpalkompoetaalys (PCA). Kode är kotuerlg. Olka former av klustrg. Kode är dskret (heltal) Herarksk klustrg K-meas clusterg (KMC) Kombatoer av PCA och klustrg 8 Flera begrepp Dskrmatfuktoer. förekommer vd klassfcerg. E fukto per klass (udatag ev. för 2-klassproblem) Beräkar poäg för ett möster,. g ( ) g ( 2 ) M g C () ma beslut 9 3
4 Beslutsområde ett område som assoceras tll e vss dskrmatfukto (klass) beslutsområdet för klass C är det område mösterrummet där g ( ) > g j ( ) för alla j Beslutsgräs/beslutsyta gräse mella två beslutsområde pukter på beslutsgräse deferas av ekv: g ( ) = g ( ) j Data frå två klasser samt klassfcerares beslutsytor Beslutsomr. klass Data klass Data klass 2 beslutsyta 3 2 E: Beslutsomr. klass 2 Beslutsomr klass II. Ljär algebra Hur ma läser matrs/vektor-uttryck lättare Deftoer: eller W = y y = M, = y ( w L w ) u Dessutom U = u m d där w M m d M w = M w k mk och k radvektorer av dmeso d w W = M wm L L w w d M md 2 4
5 Hur ma läser... (a) Matrs/vektorprodukt sett som e vktad summa av kolumvektorer y = W = d k = w k k (b) Matrs/vektorprodukt sett som e sere skalärprodukter u y = U = M um 3 Hur ma läser... (c) Matrs/matrs-produkt sett som e sere matrs/vektor-produkter Blda Y = ( y y ), X = ( L ) Y = WX = L N N ( W L ) W N Egevärde (evä) och egevektorer (eve) Def. A = λ evä eve A är kvadratsk matrs 4 Avädbart verktyg : spåret (trace) av e matrs def: A) = ( A), tr(, egeskaper (se utdelat papper) Erbjuder ofta ett kompakt skrvsätt för uttryck som ehåller summor e: Krterefukto vd ljär regresso (OLS) 2 J ( W) = y yˆ = ( y W ) ( y W ) k k k dvs summa av dagoalelemete ka skrvas J ( W) = tr ( Y WX) ( Y WX) Y = ( y y ), X ( L ) med = ( ) L N N 5 5
6 Problem: mmera * söker vektor = III. Optmerg f () arg m Lokalt mmum deferas av m.a.p, dvs v f ( ) f f f ( ) = 0, där f ( ) = samt att H > 0 2 M Hessae 6 Metoder för optmerg gradetmetode (steepest descet) Newtos metod: Ide appromera fuktoe (lokalt) med e aylorutvecklg upp tll kvadratska termer. Mmera seda dea kvadratska fukto. Fördel: Mkt sabb koverges ära ett mmum Problem: Kräver att Hessae är pos. def. om dmesoe för är stor, stora beräkgar 7 Optmerg uder bvllkor * söker = arg m f ( ), b.v. c ( ) = 0, för =,..., Elgt Lagrage: Om är ett lok. m. tll f(.) (och uppfyller bvllkore) så esterar * λ,..., λk sådaa att och λ,..., λ K L(, λ,..., λk ) = 0 c ( ) = 0, λ 0 för alla L, λ,..., λ ) = f ( K ( ) λc( ) uppfyller ekv. K 8 6
7 IV. Saolkhetslära saolkhet assoceras med utsagor, te A= det regar Skövde I=vår bakgrudsformato A I) utläses: saolkhet att utsaga A är sa, gvet att I är sa. Egeskap: 0 A) Räkeregler för saolkheter Produktregel: A,B I)=A B,I)B I) och gvet att 9 Räkeregler, forts Summaregel: A eller B I)=A I)+B I)- A,B) Kosekves av produktregel: Bayes sats Gäller att P ( A, B I) = B, A I) P ( A B, I) B I) = B A, I) A I) A B, I) B I) P ( B A, I) = A I) Specalfall av summaregel: Om A och B är uteslutade (ka ej ske samtdgt) A eller B I)=A I)+B I), ty A,B I)=0 20 äthetsfördelg (pdf) för skalär, Beteckas p(). Egeskap p( ) 0. E b fukto såda att E: pdf för Normalfördelade 0.4 P ( a b) = p( ) d a p() Area=0.5 < <.5)
8 äthetsfördelg (pdf) för vektor, Beteckas p(). Egeskap: p( ) 0. betydelse : p ( ) = p(, 2,..., d ). Produktregel gäller, dvs = ( ),..., p (, 2,..., d ) = p( 2,..., d ) p( 2,..., d ). osv. Bladg av dskreta och kotuerlga varabler möjlgt, te p, klasstllhörghet C ) = p(, C ) = p( C ) C ) ( d förkortat skrvsätt 22 llämpg av shtslära om MI Ata att dras frå olka klasser med a pror-saolkheter P C C,...,C c C ) ( ),..., c Olka pdf:er, p( C),..., p( Cc), för varje klass Mmerg av felsaolkhet leder tll de optmala beslutsregel: väljc om C ) C j ) för alla j a-posterorsaolkhetera C ) fås va Bayes sats p( C ) C ) C ) = måste val. p( ) skattas 23 Några vktga begrepp: Vätevärde m = E[ ] = p( ) d =... p( ) dd... d2d 2 d ka tolkas som e tygdpukt för e massfördelg, p(). Kovarasmatrs ' [( m)( m) ] = ( m)( C = E m)' p( ) d ger formato om fördelges sprdg aalyseras m.h.a prcpalkompoetaalys 24 8
9 Betgad pdf, E: y och är skalärer. De har smultaa pdf:e p(,y) p(y ) beteckas p(y ) täthetsfördelge för y då är låst. Betgat vätevärde m y = E[ y ] = y p( y )dy y ygdpukte lägs dea lje Sgaler & System 25 Valgt e på vektorvärd pdf, ormalfördelge: kovarasmatrs p() = e (2π ) d / 2 C / 2 d=dmeso vätevärde ( m ) ' C ( m ) 2 determat Sgaler & System 26 V: Parameterskattg Problem: V har data X = {,..., N } som atas vara draga frå pdf p() som har käd parametrsk form. Parametraras värde är dock okäda. e: V atar att är ormalfördelad med vätevärde m och kovaramatrs C. vå (besläktade) prcper för parameterskattg: Mamum lkelhood (ML) Mamum a posteror (MAP) Sgaler & System 27 9
10 ML: MAP: Låt θ betecka e vektor som ehåller alla okäda parametrar θˆ θˆ ML = arg ma p( X θ ) = arg ma p( θ X ) MAP = s.k. lkelhoodfukto arg ma p( X θ ) p( θ ) s.k. pror Obs: om p(θ ) är relatvt kostat för θ ett stort område så sammafaller ML- och MAPskattgara 28 0
Sensorer, effektorer och fysik. Analys av mätdata
Sesorer, effektorer och fysk Aalys av mätdata Iehåll Mätfel Noggrahet och precso Några begrepp om saolkhetslära Läges- och sprdgsmått Kofdestervall Ljär regresso Mätosäkerhetsaalys Mätfel Alla mätgar är
Läs merVäntevärde, standardavvikelse och varians Ett statistiskt material kan sammanfattas med medelvärde och standardavvikelse (varians), och s.
Vätevärde, stadardavvkelse och varas Ett statstskt materal ka sammafattas med medelvärde och stadardavvkelse (varas, och s. På lkade sätt ka e saolkhetsfördelg med käda förutsättgar sammafattas med vätevärde,,
Läs merSensorer och elektronik. Analys av mätdata
Sesorer och elektrok Aalys av mätdata Iehåll Mätfel Några begrepp om saolkhetslära Läges- och sprdgsmått Kofdestervall Ljär regresso Mätosäkerhetsaalys Mätfel Alla mätresultat är behäftade med e vss osäkerhet
Läs merFöreläsningsanteckningar till Linjär Regression
Föreläsgsateckgar tll Ljär Regresso Kasper K S Aderse 3 oktober 08 Statstsk modell Ofta söks ett sambad y fx mella e förklarade eller oberoede varabel x och e resposvarabel eller beroede varabel y V betrakter
Läs merLycka till och trevlig sommar!
UMEÅ UNIVERSITET Isttutoe för matematsk statstk Statstk för lärare, MSTA38 Lef Nlsso TENTAMEN 07-05-3 TENTAMEN I MATEMATISK STATISTIK Statstk för lärare, 5 poäg Skrvtd: 09.00-5.00 Tllåta hjälpmedel: Tabellsamlg,
Läs mer4.2.3 Normalfördelningen
4..3 Normalfördelge Bomal- och Possofördelge är två exempel på fördelgar för slumpvarabler som ka ata ädlgt eller uppräkelgt måga olka värde. Sådaa fördelgar sägs vara dskreta. Ofta är ett resultat X frå
Läs merLINJÄR ALGEBRA II LEKTION 4
LINJÄR ALGEBRA II LEKTION 4 JOHAN ASPLUND Iehåll Egevärde, egevektorer och egerum 2 Diagoaliserig 3 Uppgifter 2 5:4-5a) 2 Extrauppgift frå dugga 2 52:8 4 52:3 4 Extrauppgift frå teta 4 Egevärde, egevektorer
Läs merLinjär Algebra. Linjära ekvationssystem. Ax = b. Viktiga begrepp. Linjära ekvationssystem. Kolumnerna i A. Exempel. R (A) spänns upp av t.ex.
Ljära ekvatossystem Ljär Algebra obekata & ekvatoer a x + a x + a 3 x 3 + + a x = b a x + a x + a 3 x 3 + + a x = b a x + a x + a 3 x 3 + + a x = b Ljära ekvatossystem där A -matrs och b -vektor Vktga
Läs merArmin Halilovic: EXTRA ÖVNINGAR. ) De Moivres formel ==================================================== 2 = 1
Arm Hallovc: EXTRA ÖVNINGAR KOMPLEXA TAL x + y, där x, y R (rektagulär form r(cosθ + sθ (polär form r (cos θ + s θ De Movres formel y O x + x y re θ (potesform eller expoetell form θ e cosθ + sθ Eulers
Läs merLinjär Algebra (lp 1, 2016) Lösningar till skrivuppgiften Julia Brandes
Lijär Algebra (lp 1, 2016) Lösigar till skrivuppgifte Julia Brades Uppgift 1. Betecka mägde av alla matriser med M(). Vi har e elemetvist defiierad additio av två matriser A, B M(). De är defiierad geom
Läs merTENTAMEN I MATEMATISK STATISTIK. Statistik för lärare, 5 poäng
UMEÅ UNIVERSITET Isttutoe för matematsk statstk Statstk för lärare, MSTA38 Lef Nlsso TENTAMEN 04--6 TENTAMEN I MATEMATISK STATISTIK Statstk för lärare, 5 poäg Skrvtd: 9.00-15.00 Tllåta hjälpmedel: Utdelad
Läs merFormler och tabeller i statistik
KTH STH, Campus Hage Formler och tabeller statstk Arm Hallovc Formler och tabeller statstk Medelvärde och varas = = = ( ) = = = Medelvärde och varas för ett frekvesdelat materal = k = f = k = f ( ) Vätevärde
Läs merSOS HT Punktskattningar. Skattning från stickprovet. 2. Intuitiva skattningar. 3. Skattning som slumpvariabel. slump.
Puktskattgar SOS HT10 Puktskattg uwe@math.uu.se http://www.math.uu.se/~uwe/sos_ht10 1. Vad är e puktskattg och varför behövs de? 1. Jämförelse: saolkhetstoer statstkteor 2. Itutva ( aturlga ) skattgar
Läs merBegreppet rörelsemängd (eng. momentum) (YF kap. 8.1)
Begreppet rörelsemägd (eg. mometum) (YF kap. 8.1) Defto (Newto!): E partkel med massa m och hastghet ഥv har rörelsemägd ഥp = m ഥv. Vektor med samma rktg som hastghete! Newto II: ሜF = m dvlj = d dt dt d
Läs merf(x i ) Vi söker arean av det gråfärgade området ovan. Området begränsas i x-led av de två x-värdena där kurvan y = x 2 2x skär y = 0, d.v.s.
Dg. Remsummor och tegrler Rekommederde uppgfter 5.. Del upp tervllet [, 3] lk stor deltervll och väd rektglr med dess deltervll som bs för tt beräk re v området uder = +, över =, smt mell = och = 3. V
Läs merF4 Matematikrep. Summatecken. Summatecken, forts. Summatecken, forts. Summatecknet. Potensräkning. Logaritmer. Kombinatorik
0-0-5 F Matematrep Summateet Potesräg Logartmer Kombator Summatee Säg att v har ste tal,, Summa av dessa tal (alltså + + ) srvs ortfattat med hälp av summatee: summa då går fr.o.m. t.o.m. Summatee, forts.
Läs mer= α. β = α = ( ) D (β )= = 0 + β. = α 0 + β. E (β )=β. V (β )= σ2. β N β, = σ2
Ljär regresso aolkhet och statstk Regressosaalys VT 2009 Uwe.Mezel@math.uu.se http://www.math.uu.se/ uwe/ Fgur: Mätpukter: x, y Ljär regresso - kalbrerg av e våg Modell för ljär regresso Modell: y α +
Läs merKorrelationens betydelse vid GUM-analyser
Korrelatoes betydelse vd GUM-aalyser Hela koceptet GUM geomsyras av atagadet att gåede mätgar är okorrelerade. Gude betoar och för sg att ev. korrelato spelar, me ger te mycket vägledg för hur ma då ska
Läs merBorel-Cantellis sats och stora talens lag
Borel-Catellis sats och stora tales lag Guar Eglud Matematisk statistik KTH Vt 2005 Iledig Borel-Catellis sats är e itressat och avädbar sats framför allt för att bevisa stora tales lag i stark form. Vi
Läs merREGRESSIONSANALYS S0001M
Matematk Kerst Väma 9--4 REGRESSIONSANALYS SM INNEHÅLL. Iledg.... Ekel regressosaalys... 3. Udersökg av modellatagadea...7 4. Korrelatoskoeffcet.... Kofdestervall för förvätat Y-värde...3 6. Progostervall...4
Läs merF15 ENKEL LINJÄR REGRESSION (NCT )
Stat. teor gk, ht 006, JW F5 ENKEL LINJÄR REGRESSION (NCT.-.4) Ordlta tll NCT Scatter plot Depedet/depedet Leat quare Sum of quare Redual Ft Predct Radom error Aal of varace Sprdgdagram Beroede/oberoede
Läs merFör att skatta väntevärdet för en fördelning är det lämpligt att använda Medelvärdet. E(ξ) =... = µ
1 February 1, 2018 1 Förel. VII Puktskattigar av parametrar i fördeligar 1.1 Puktskattig För att skatta vätevärdet för e fördelig är det lämpligt att aväda Medelvärdet ξ = 1 ξ j. Vi tar u vätevärdet av
Läs merGrundläggande matematisk statistik
Grudläggade matematisk statistik Puktskattig Uwe Mezel, 2018 uwe.mezel@slu.se; uwe.mezel@matstat.de www.matstat.de Saolikhetsteori: Saolikhetsteori och statistikteori vad vi gjorde t.o.m. u vi hade e give
Läs merGeodetisk och fotogrammetrisk mätnings- och beräkningsteknik
Formelamlg tll Geodetk och fotogrammetrk mätg- och beräkgtekk Vero 015-03-04 Geodetk och fotogrammetrk mätg- och beräkgtekk by Latmäteret m.fl. lceed uder a Creatve Commo Erkäade-Ickekommerell-Igaearbetgar
Läs merFyra typer av förstärkare
1 Föreläsg 1, Ht2 Hambley astt 11.6 11.8, 11.11, 12.1, 12.3 Fyra tyer a förstärkare s 0 s ut s A ut L s L 0 ägsförstärkare ägströmförstärkare (trasadmttasförst.) 0 ut s s ut L s s A 0 L trömsägsförstärkare
Läs merEn utvärdering av två olika sätt att skatta fördelningen till stickprovsmedelvärden från olikfördelade data - normalapproximation kontra resampling
utvärderg av två olka sätt att skatta fördelge tll stckprovsmedelvärde frå olkfördelade data - ormalapproxmato kotra resamplg av Adreas Holmström xamesarbete matematsk statstk Umeå uverstet, Hadledare:
Läs merF9 Hypotesprövning. Statistikens grunder 2 dagtid. p-värden. Övning 1 från F8
01-10-5 F9 Hypotesprövg Statstkes gruder dagtd HT 01 Behöver komma håg alla formler? Ne, kolla formelbladet Me vlka som behövs eller te beror på stuatoe Det som ska läras är är behöver Z eller T och hur
Läs merOrderkvantiteter vid begränsningar av antal order per år
Hadbok materalstyrg - Del D Bestämg av orderkvatteter D 64 Orderkvatteter vd begräsgar av atal order per år Olka så kallade partformgsmetoder aväds som uderlag för beslut rörade val av lämplg orderkvattet
Läs merSpecialfall inom produktionsplanering: Avslutning Planerings- Le 8-9: Specialfall (produktval, kopplade lager, cyklisk planering, mm) system
Föreläsg Specalfall om produktosplaerg: Produktvalsplaerg, cyklsk plaerg, alteratva partformgsmetoder Avslutg Plaergssystem Fast posto Fö 6a: Projektplaerg (CPM, PERT, mm) Le 3: Projektplaerg (CPM/ PERT,
Läs merNågot om beskrivande statistik
Något om beskrvade statstk. Iledg I de flesta sammahag krävs fakta som uderlag för att komma tll rmlga slutsatser eller fatta vettga beslut. Exempelvs ka det på ett företag ha uppstått dskussoer om att
Läs merFöreläsning G04 Surveymetodik 732G19 Utredningskunskap I
Föreläsg 6 73G04 urveymetodk 73G9 Utredgskuska I Dages föreläsg ortfall Totalbortfall Partellt bortfall Hur hatera bortfall? ortfallsstratumasatse (tvåfasurval) ubsttuto Imuterg Reettosquz ortfall och
Läs merUppgift 3. (1p) Beräkna volymen av pyramiden vars hörn är A=(2,2,2), B=(2,3,4), C=(3,3,3) och D=(3,4,9).
Kotrollskriig 9 sep 06 VERSION B Tid: 8:5-000 Kurser: HF008 Aalys och lijär algebra (algebradele HF006 Lijär algebra och aalys (algebradele Lärare: Ari Haliloic, Maria Arakelya, Fredrik Berghol Exaiator:
Läs merb) Om du nu hade oturen att du köpt en trasig dator, vad är sannolikheten att den skulle ha tillverkats i Litauen?
UMEÅ UNIVERSITET Isttutoe för matematk och matematsk statstk MSTA, Statstk för tekska fysker A Peter Ato TENTAMEN 005-0-03 ÖSNINGSFÖRSAGTENTAMEN I MATEMATISK STATISTIK Statstk för tekska fysker, 4 oäg.
Läs merVäntevärde för stokastiska variabler (Blom Kapitel 6 och 7)
Matemats statst för STS vt 004 004-04 - 0 Begt Rosé Vätevärde för stoastsa varabler (Blom Kaptel 6 och 7 1 Vätevärde för e dsret stoasts varabel Låt vara e dsret s.v. med saolhetsfuto p ( elgt eda. Saolhetera
Läs merMinsta kvadrat-metoden, MK. Maximum likelihood-metoden, ML. Medelfel. E(X i ) = µ i (θ) MK-skattningen av θ fås genom att minimera
Matematisk statistik slumpes matematik Saolikhetsteori hur beskriver ma slumpe? Statistikteori vilka slutsatser ka ma dra av ett datamaterial? Statistikteori översikt Puktskattig Hur gör ma e bra gissig
Läs merStrukturell utveckling av arbetskostnad och priser i den svenska ekonomin
Strukturell utvecklg av arbetskostad och prser de sveska ekoom Alek Markowsk Krsta Nlsso Marcus Wdé WORKING PAPER NR 06, MAJ 0 UTGIVEN AV KONJUNKTURINSTITUTET KONJUNKTURINSTITUTET gör aalyser och progoser
Läs merIntervallskattning. c 2005 Eric Järpe Högskolan i Halmstad. Antag att vi har ett stickprov x 1,..., x n på X som vi vet är N(µ, σ) men vi vet ej
Itervallskattig c 005 Eric Järpe Högskola i Halmstad Atag att vi har ett stickprov x,..., x på X som vi vet är Nµ, σ me vi vet ej värdet av µ = EX. Då ka vi beräka x, vvr skattig av µ. För att få reda
Läs merKap. 1. Gaser Ideala gaser. Ideal gas: För en ideal gas gäller: Allmänna gaslagen. kraft yta
Termodyamk - ärmets rörelse - Jämvkt - Relatoer mella olka kemska tllståd - Hur mycket t.ex. eerg eller rodukter som bldas e kemsk reakto - arför kemska reaktoer sker Ka. 1. Gaser 1.1-2 Ideala gaser Ideal
Läs merTentamen STA A15 delkurs 1 (10 poäng): Sannolikhetslära och statistisk slutledning 3 november, 2005 kl
Tetame STA A5 delkurs ( poäg): Saolkhetslära och statstsk slutledg 3 ovember 5 kl. 8.5-3.5 Tllåta hjälpmedel: Räkedosa bfogade formel- och tabellsamlgar vlka skall retureras. Asvarg lärare: Ja Rudader
Läs merθx θ 1 om 0 x 1 f(x) = 0 annars
Avd. Matematisk statistik TENTAMEN I SF903 SANNOLIKHETSLÄRA OCH STATISTIK FÖR 3-ÅRIG Media TIMEH TORSDAGEN DEN TREDJE JUNI 200 KL 4.00 9.00. Examiator: Guar Eglud, tel. 790 74 06 Tillåta hjälpmedel: Läroboke.
Läs merx 1 x 2 x 3 x 4 x 5 x 6 HL Z x x x
Uppgift 1 a) Vi iför slackvariabler x 4, x 5 och x 6 och löser problemet med hjälp av simplexalgoritme. Z -2-1 1 0 0 0 0 x 4 1 1-1 1 0 0 20 x 5 2 1 1 0 1 0 30 x 6 1-1 2 0 0 1 10 x 1 blir igåede basvariabel
Läs mer101. och sista termen 1
Lektio, Evariabelaalys de ovember 999 5.. Uttryck summa j uta summasymbole. j + Termera är idexerade frå j = till j = och varje term är blir j j+. Summa Skriver vi upp summa uta summasymbole blir de +
Läs merGeodetisk och fotogrammetrisk mätnings- och beräkningsteknik
Formelamlg tll Geodetk och fotogrammetrk mätg- och beräkgtekk Vero 015-03-04 Tllägg 018-10- Geodetk och fotogrammetrk mätg- och beräkgtekk by Latmäteret m.fl. lceed uder a Creatve Commo Erkäade-Ickekommerell-IgaBearbetgar
Läs mer1. BERÄKNING AV GRÄNSVÄRDEN ( då x 0 ) MED HJÄLP AV MACLAURINUTVECKLING. n x
BERÄKNING AV GRÄNSVÄRDEN ( då ) MED HJÄLP AV MACLAURINUTVECKLING a) Maclauris formel ( ) f () f () f () f ( ) f () + f () + + + +!!! ( ) f ( c) där R och c är tal som ligger mella och ( + )! Amärkig Eftersom
Läs merF10 ESTIMATION (NCT )
Stat. teori gk, ht 2006, JW F10 ESTIMATION (NCT 8.1-8.3) Ordlista till NCT Iferece Parameter Estimator Estimate Ubiased Bias Efficiecy Cofidece iterval Cofidece level (Studet s) t distributio Slutledig,
Läs mer5. Linjer och plan Linjer 48 5 LINJER OCH PLAN
48 5 LINJER OCH PLAN 5. Lijer och pla 5.. Lijer Eempel 5.. Låt L ara e lije i rummet. Atag att P är e pukt på L och att L är parallell med e ektor, lijes riktigsektor. Då gäller att e pukt P ligger på
Läs merb) Bestäm det genomsnittliga antalet testade enheter, E (X), samt även D (X). (5 p)
Avd Matematisk statistik TENTAMEN I SF922, SF923 och SF924 SANNOLIKHETSTEORI OCH STATISTIK, TISDAGEN DEN 29:E MAJ 208 KL 0800 300 Examiator för SF922/SF923: Tatjaa Pavleko, 08-790 84 66 Examiator för SF924:
Läs merIntroduktion till statistik för statsvetare
"Det fis iget så praktiskt som e bra teori" November 2011 Bakgrud Stadardiserig E saolikhetsekvatio Kosekves av stora tales lag Stora tales lag ger att är slumpvariablera X i är oberoede, med e och samma
Läs merFÖRSÖKSPLANERING. och utvärdering av försöksresultat med den matematiska statistikens metoder. av Jarl Ahlbeck
FÖRSÖKSPLNERING och utvärderg av försöksresultat med de matematska statstkes metoder av Jarl hlbeck Åbo kadem Laboratoret för alägggstekk I a sstem whch varable quattes chage, t s of terest to eame the
Läs merTentamen i Linjär Algebra, SF december, Del I. Kursexaminator: Sandra Di Rocco. Matematiska Institutionen KTH
1 Matematiska Istitutioe KTH Tetame i Lijär Algebra, SF164 14 december, 21. Kursexamiator: Sadra Di Rocco OBS! Svaret skall motiveras och lösige skrivas ordetligt och klart. Iga hjälpmedel är tillåta.
Läs mer1. (a) Eftersom X och Y har samma fördelning så har de även samma väntevärde och standardavvikelse. E(X 2 ) = k
LÖSNINGAR TILL Matematisk statistik, Matematikcetrum Tetame: 5 kl 8 Luds tekiska högskola FMS, FMS, FMS, FMS 5, MAS 9 Matematisk statistik för ED, F, I, FED och fysiker. a Eftersom X och Y har samma fördelig
Läs merTenta i MVE025/MVE295, Komplex (matematisk) analys, F2 och TM2/Kf2
Teta i MVE5/MVE95, Komplex (matematisk) aalys, F och TM/Kf 6, 8.3-.3 Hjälpmedel: Formelblad som delas ut av tetamesvaktera Telefovakt: Mattias Leartsso, 3-535 Betygsgräser: -9 (U), -9 (3), 3-39 (4), 4-5
Läs merF7 PP kap 4.1, linjära överbestämda ekvationssystem
F7 BE3 & 3 Page of 5 F7 PP ka 4., ljära överbestäda ekvatossste Här behadlas dels ljära överbestäda sste oh dels tlläge å odellaassg ed stakvadrat-etode so kaske ufas av Gauss. V börjar ed ljära algebra.
Läs merSAMMANFATTNING AV KURS 602 STATISTIK (Newbold kapitel [7], 8, 9, 10, 13, 14)
AMMANFATTNING AV KUR 6 TATITIK (Newbold katel [7], 8, 9,, 3, 4) INLEDNING 3 Proortoer 3 Proortoer 4 Poulatosvaras 5 KONFIDENINTERVALL 6 Itutv förklarg 6 Arbetsgåg vd beräkg av kofdestervall 7 Tfall. ök
Läs merSAMMANFATTNING TAMS79 Matematisk statistik, grundkurs
SAMMANFATTNING TAMS79 Matematisk statistik, grudkurs LÄST SOM EN DEL AV CIVILINGENJÖRSPROGRAMMET I INDUSTRIELL EKONOMI VID LITH, HT 2015 Versio: 1.0 Seast reviderad: 2016-02-01 Författare: Viktor Cheg
Läs merS0005M V18, Föreläsning 10
S0005M V18, Föreläsig 10 Mykola Shykula LTU 2018-04-19 Mykola Shykula (LTU) S0005M V18, Föreläsig 10 2018-04-19 1 / 15 Hypotesprövig ett stickprov, σ okäd. Stadardiserig av stickprovsmedelvärdet då σ är
Läs merFinansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 4 (del 1)
Fiasiell Statistik (GN, 7,5 hp,, HT 008) Föreläsig 4 (del 1) Sampligfördeligar (LLL Kap 8) Departmet of Statistics (Gebreegus Ghilagaber, PhD, Associate Professor) Fiacial Statistics (Basic-level course,
Läs merInformationsåtervinning på webben Sökmotorernas framtid
Iformatosåtervg på webbe Sökmotoreras framtd Semarum 4-9- Iformatosåtervg på webbe Sökmotoreras framtd Ge sprato tll forskg att skapa ya affärsmölgheter smart avädg av sökverktyg de ega orgasatoe Belysa
Läs merSida 1 av 12. vara ett inkonsistent system (= olösbart system dvs. ett system som saknar lösning). b =.
Sida av MINSAKVADRAMEODEN Låt a a a a a a a a a vara ett ikosistet sste ( olösart sste dvs. ett sste so sakar lösig). Vi ka skriva ssteet på fore A (ss ) där a a... a a a... a A, och............. a p a
Läs merFormelsamling Ljud i byggnad och samhälle
Formelsamlg jud bggad oh samhälle Några räkeregler för logarmer: log log log log log log log log log log log log Några grudläggade akusska defoer oh räkeregler -dmesoell la ljudåg som ubreder sg os -rkg:
Läs merFinansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 4 (del 2)
Fiasiell Statistik (GN, 7,5 hp,, HT 008) Föreläsig 4 (del ) Pukt- och itervallskattig (LLL Kap 10) Departmet of Statistics (Gebreegus Ghilagaber, PhD, Associate Professor) Fiacial Statistics (Basic-level
Läs merNormalfördelningar (Blom Kapitel 8)
Matematsk statstk STS vt 004 004-04 - Begt Rosé Normalördelgar (Blom Kaptel 8 Deto och allmäa egeskaper DEFINITION : E stokastsk varael sägs vara ormalördelad om de har ördelg med täthetsukto med utseede
Läs merTENTAMEN I MATEMATISK STATISTIK Datum: 13 mars 08
TENTAMEN I MATEMATISK STATISTIK Datum: 3 mars 8 Te i kurse HF3, 6H3, 6L3 MATEMATIK OCH MATEMATISK STATISTIK, Te i kurse HF ( Tidigare k 6H3), KÖTEORI OCH MATEMATISK STATISTIK, Skrivtid: 8:5-:5 Hjälpmedel:
Läs merTentamen i Sannolikhetsteori III 13 januari 2000
STOCKHOLMS UNIVERSITET MATEMATISK STATISTIK Louise af Klitberg Lösigar Tetame i Saolikhetsteori III 13 jauari 2000 Uppgift 1 a) Det mest detaljerade utfallsrummet är med uppebara beteckigar Ω = {(B1, B2),
Läs merÖPPNA OCH SLUTNA MÄNGDER. KOMPAKTA MÄNGDER. DEFINITIONSMÄNGD. INLEDNING. Några viktiga andragradskurvor: Cirkel, ellips, hyperbel och parabel.
ÖPPNA OH SLUTNA MÄNGDER. KOMPAKTA MÄNGDER. DEFINITIONSMÄNGD. INLEDNING. Någr viktig drgrdskurvor: irkel ellips hyperbel och prbel.. irkels ekvtio irkel med cetrum i och rdie hr ekvtioe pq O Amärkig. Edst
Läs merSANNOLIKHETER. Exempel. ( Tärningskast) Vi har sex möjliga utfall 1, 2, 3, 4, 5 och 6. Därför är utfallsrummet Ω = {1, 2, 3, 4, 5,6}.
rmi Halilovic: EXTR ÖVIGR SOLIKHETER GRUDLÄGGDE BEGRE OH BETEKIGR Utfall Resultat av ett slumpmässigt försök. Utfallsrummet ägde av alla utfall (beteckas oftast med Ω ). Hädelse E delmägd av utfallsrummet.
Läs merFöreläsning G70 Statistik A
Föreläsig 7 73G70 Statistik A Hypotesprövig för jämförelse av populatiosadelar Krav: vi har dragit två OSU p( p) > 5 för båda stickprove Steg : Välj sigifikasivå och formulera hypoteser H 0 : π - π = d
Läs mer1. Test av anpassning.
χ -metode. χ -metode ka avädas för prövig av hypoteser i flera olika slag av problem: om e stokastisk variabel följer e viss saolikhetsfördelig med käda eller okäda parametrar. om två stokastiska variabler
Läs merF19 HYPOTESPRÖVNING (NCT ) Hypotesprövning för en differens mellan två medelvärden
Stat. teori gk, ht 006, JW F19 HPOTESPRÖVNING (NCT 11.1-11.) Hypotesprövig för e differes mella två medelvärde Samma beteckigar som vid kofidesitervall för differes mella två populatiosmedelvärde: Medelvärde
Läs merFördelningen för populationen som stickprovet togs ifrån är känd så nära som på ett antal parametrar, t.ex: N med okända
we Mezel, 7 we.mezel@sl.se; we.mezel@matstat.de www.matstat.de Parametrska metoder Fördelge för poplatoe som stckprovet togs frå är käd så ära som på ett atal parametrar, t.ex: N med okäda Icke-parametrska
Läs merFormelblad Sannolikhetsteori 1
Formelblad Saolikhetsteori Bayes formel: Låt A och D vara två hädelser Då gäller P A D = P D AP A P D Chebyshevs olikhet: Låt X vara e stokastisk variabel med vätevärde µ och varias Då gäller för alla
Läs merTrigonometriska polynom
Trigoometriska polyom Itroduktio Iga strägistrumet eller blåsistrumet ka producera estaka siustoer, blott lieära kombiatioer av dem, där de med lägsta frekvese kallas för grudtoe, och de övriga för övertoer.
Läs merLycka till! I(X i t) 1 om A 0 annars I(A) =
Avd Matematisk statistik TENTAMEN I SF955 f d 5B555 DATORINTENSIVA METODER ONSDAGEN DEN AUGUSTI 008 KL 400 900 Examiator: Guar Eglud, tel 790746 Email: guare@mathkthse Tillåta hjälpmedel: Formel- och tabellsamlig
Läs merD 45. Orderkvantiteter i kanbansystem. 1 Kanbansystem med två kort. Handbok i materialstyrning - Del D Bestämning av orderkvantiteter
Hadbok materalstyrg - Del D Bestämg av orderkvatteter D 45 Orderkvatteter kabasystem grupp av materalstyrgsmetoder karakterseras av att behov av materal som uppstår hos e förbrukade ehet mer eller mdre
Läs merTentamen 1 i Matematik 1, HF1903, Fredag 14 september 2012, kl
TEN HF9 Tetame i Matematik, HF9, Fredag september, kl. 8.. Udervisade lärare: Fredrik ergholm, Elias Said, Joas Steholm Eamiator: rmi Halilovic Hjälpmedel: Edast utdelat formelblad miiräkare är ite tillåte
Läs merTentamen i Elektronik, ESS010, del 2 den 14 dec 2009 klockan 14:00 19:00.
Tekiska Högskola i Lud Istitutioe för Elektroveteskap Tetame i Elektroik, ESS010, del 2 de 14 dec 2009 klocka 14:00 19:00. Uppgiftera i tetame ger totalt 60p. Uppgiftera är ite ordade på ågot speciellt
Läs merHögskoleutbildad 0,90*0,70=0,63 0,80*0,30=0,24 0,87 Ej högskoleutbildad 0,07 0,06 0,13 0,70 0,30 1,00
Lösigsförslag UPPGIFT 1 Kvia Ma Högskoleutbildad 0,90*0,70=0,63 0,80*0,30=0,24 0,87 Ej högskoleutbildad 0,07 0,06 0,13 0,70 0,30 1,00 Pr(ej högskoleutbildad kvi=0,07=7% Pr(högskoleutbildad)=0,87 c) Pr(Kvi*Pr(Högskoleutbildad)=0,70*0,87=0,609
Läs merEnkel slumpvandring. Sven Erick Alm. 9 april 2002 (modifierad 8 mars 2006) 2 Apan och stupet 3 2.1 Passagesannolikheter... 3 2.2 Passagetider...
Ekel slumpvadrig Sve Erick Alm 9 april 2002 (modifierad 8 mars 2006) Iehåll 1 Iledig 2 2 Apa och stupet 3 2.1 Passagesaolikheter............................... 3 2.2 Passagetider....................................
Läs mer. Mängden av alla möjliga tillstånd E k kallas tillståndsrummet.
Stokastiska rocesser Defiitio E stokastisk rocess är e mägd familj av stokastiska variabler Xt arameter t är oftast me ite alltid e tidsvariabel rocesse kallas diskret om Xt är e diskret s v för varje
Läs merCentrala gränsvärdessatsen
Arm Hallovc: EXTRA ÖVNINGAR Cetrala gräsvärdessatse Cetrala gräsvärdessatse Vätevärdet och varase för e ljär kombato av stokastska varabler beräkas elgt följade: S Låt c, c,, c vara kostater,,,, stokastska
Läs merAnmärkning: I några böcker använder man följande beteckning ]a,b[, [a,b[ och ]a,b] för (a,b), [a,b) och (a,b].
MÄNGDER Stadardtalmägder: N={0,, 2, 3, } mägde av alla aturliga tal (I ågra böcker N={,2,3, }) Z={ 3, 2,,0,, 2, 3, 4, } mägde av alla hela tal m Q={, där m, är hela tal och 0 } mägde av alla ratioella
Läs merEKVATIONER MED KOMPLEXA TAL A) Ekvationer som innehåller både ett obekant komplext tal z och dess konjugat z B) Binomiska ekvationer.
Arm Hallovc: EXTRA ÖVNINGAR Bomska ekvatoer EKVATIONER MED KOMPLEXA TAL A Ekvatoer som ehåller både ett obekat komplext tal och dess kojugat B Bomska ekvatoer. A Ekvatoer som ehåller både och För att lösa
Läs merFöreläsning 10: Kombinatorik
DD2458, Problemlösig och programmerig uder press Föreläsig 10: Kombiatorik Datum: 2009-11-18 Skribeter: Cecilia Roes, A-Soe Lidblom, Ollata Cuba Gylleste Föreläsare: Fredrik Niemelä 1 Delmägder E delmägd
Läs merArmin Halilovic: EXTRA ÖVNINGAR
Stokastiska rocesser Defiitio E stokastisk rocess är e mägd (familj) av stokastiska variabler X(t) arameter t är oftast (me ite alltid) e tidsvariabel rocesse kallas diskret om X(t) är e diskret s v för
Läs merLinjär Algebra, Föreläsning 9
Linjär Algebra, Föreläsning 9 Tomas Sjödin Linköpings Universitet Euklidiska rum Vi ska nu införa en extra struktur på vektorrum, en så kallad skalärprodukt, vilken vi kan använda för att definiera längd
Läs merDrivsystemelektronik \ Drivsystemautomation \ Systemintegration \ Service. Handbok. Tillverkning av kablar Kablar för synkrona servomotorer
Drvsystemelektrok \ Drvsystemautomato \ Systemtegrato \ Servce Hadbok Tllverkg av kablar Kablar ör sykroa servomotorer Utgåva 12/2011 19301677 / SV SEW-EURODRIVE Drvg the world Iehållsörteckg 1 Krmpverktyg...
Läs merUppsala Universitet Matematiska Institutionen Bo Styf. Genomgånget på föreläsningarna Föreläsning 26, 9/2 2011: y + ay + by = h(x)
Uppsala Uiversitet Matematiska Istitutioe Bo Styf Evariabelaalys, 0 hp STS, X 200-0-27 Föreläsig 26, 9/2 20: Geomgåget på föreläsigara 26-30. Att lösa de ihomogea ekvatioe. De ekvatio vi syftar på är förstås
Läs merAntalet sätt att välja ut r objekt bland n stycken med hänsyn till ordning är np r = n(n 1) (n r + 1).
Harald Lag Formelsamlig och Tabeller i Statistik och Saolikhetsteori (15/11-10) Datareducerig Om x 1,..., x är ett stickprov ur e populatio så defiieras medelvärdet x x = 1 k=1 x k och stadardavvikelse
Läs merÖvning 3 - Kapitel 35
Övig 3 - Kapitel 35 7(1). Brytigsidex får vi frå Eq. 35-3: c = = v. 998 10 8 19. 10 8 ms ms = 156.. 6(4). (a) Frekvese för gult atriumljus är,998 10 589 10 5,09 10 (b) När ljuset färdas geom glas blir
Läs merKontrollskrivning 3 i SF1676, Differentialekvationer med tillämpningar. Tisdag kl 8:15-10
KH Matematik Kotrollskrivig 3 i SF676, Differetialekvatioer med tillämpigar isdag 7-5-6 kl 8:5 - illåtet hjälpmedel på lappskrivigara är formelsamlige BEA För godkäd på module räcker 5 poäg Bara väl motiverade
Läs merFöreläsning 2: Punktskattningar
Föreläsig : Puktskattigar Joha Thim joha.thim@liu.se 7 augusti 08 Repetitio Stickprov Defiitio. Låt de stokastiska variablera X, X,..., X vara oberoede och ha samma fördeligsfuktio F. Ett stickprov x,
Läs mer4. Uppgifter från gamla tentor (inte ett officiellt urval) 6
SF69 - DIFFERENTIALEKVATIONER OCH TRANSFORMER II - ÖVNING 4 KARL JONSSON Iehåll. Egeskaper hos Fouriertrasforme. Kapitel 3: Z-Trasform.. Upp. 3.44a-b: Bestämig av Z-trasforme för olika talföljder.. Upp.
Läs merFlexibel konkursriskestimering med logistisk spline-regression
Matematsk statstk Stockholms uverstet Flexbel kokursrskestmerg med logstsk sple-regresso Erk vo Schedv Examesarbete 8: Postadress: Matematsk statstk Matematska sttutoe Stockholms uverstet 6 9 Stockholm
Läs merSannolikheten. met. A 3 = {2, 4, 6 }, 1 av 11
rmi Halilovic: EXTR ÖVIGR SOLIKHETER GRUDLÄGGDE EGRE OH ETEKIGR Utfall Resultat av ett slumpmässigt försök. Utfallsrummet ägde av alla utfall (beteckas oftast medd Ω ). Hädelse E delmägd av utfallsrumm
Läs merViktigt! Glöm inte att skriva Tentamenskod på alla blad du lämnar in.
Statistisk försöksplaerig Provmomet: Ladokkod: Tetame ges för: Skriftlig tetame 3,0 hp 51SF01 DTEIN14h 4,5 högskolepoäg TetamesKod: Tetamesdatum: 5 ovember 015 Tid: 9.00-13.00 Hjälpmedel: Miiräkare Totalt
Läs merJag läser kursen på. Halvfart Helfart
KOD: Kurskod: PC106/PC145 Kurs 6: Persolighet, hälsa och socialpsykologi (15 hp) Datum: 3/8 014 Hel- och halvfart VT 14 Provmomet: Socialpsykologi + Metod Tillåta hjälpmedel: Miiräkare Asvarig lärare:
Läs merFourierserien. fortsättning. Ortogonalitetsrelationerna och Parsevals formel. f HtL g HtL t, där T W ã 2 p, PARSEVALS FORMEL
Fourierserie fortsättig Ortogoalitetsrelatioera och Parsevals formel Med hjälp av ortogoalitetsrelatioera Y Â m W t, Â W t ] =, m ¹, m = () där Xf, g\ = Ÿ T f HtL g HtL, där W ã p, ka ma bevisa följade
Läs merH1009, Introduktionskurs i matematik Armin Halilovic. använder vi oftast induktionsbevis.
MATEMATISK INDUKTION För att bevisa att ett påståede P() är sat för alla heltal 0 aväder vi oftast iduktiosbevis Iduktiossatse Låt P() vara ett påståede vars saigsvärde beror av heltalet 0 där 0 är ett
Läs merStången: Cylindern: G :
mekaik I, 09084- A V H f mg G N B 3 d Frilägg cylider och de lätta ståge! Ståge påverkas av kraftparsmometet M samt kotaktkrafter i A och O. Cylider påverkas av kotaktkrafter i A och B samt tygdkrafte
Läs merDatorövning 2 Fördelningar inom säkerhetsanalys
Luds tekiska högskola Matematikcetrum Matematisk statistik STATISTISKA METODER FÖR SÄKERHETSANALYS FMS065 Datorövig 2 Fördeligar iom säkerhetsaalys I dea datorövig ska vi studera ågra grudläggade frå saolikhetsteori:
Läs mer