Stokastiska vektorer

Save this PDF as:
 WORD  PNG  TXT  JPG

Storlek: px
Starta visningen från sidan:

Download "Stokastiska vektorer"

Transkript

1 TNG006 F Stokastiska vektorer 2 Kovarians och korrelation Definition 2 Antag att de sv X och Y har väntevärde och standardavvikelse µ X och σ X resp µ Y och σ Y Då kallas för kovariansen mellan X och Y och för korrelationen mellan X och Y C(X, Y E((X µ X (Y µ Y ρ(x, Y C(X, Y σ X σ Y Anmärkning 22 Kovariansen C(X, Y och korrelationen ρ(x, Y är mått på beroendet mellan X och Y 2 Om C(X, Y 0 säger vi att X och Y är okorrelerade Följande räknelagar gäller för kovariansen resp korrelationen Sats 23 Låt a, a m, b,, b n vara reella koefficienter Då gäller att C(X, Y E(X Y E(X E(Y 2 Om X och Y är oberoende så är C(X, Y 0 3 C(X, X V (X 4 C(a X + b, a 2 X 2 + b 2 a a 2 C(X, X 2 ( m 5 C a i X i, i n b j Y j j m n a i b j C(X i, Y j i j 6 ρ(x, Y 7 ρ(x, Y om och endast det finns ett linjärt samband mellan X och Y Vi har träffat på kovariansen tidigare i samband med variansen Det gäller att V (ax + by a 2 V (X + b 2 V (Y + 2ab(E(X Y E(X E(Y, (2

2 dvs V (ax + by a 2 V (X + b 2 V (Y + 2ab C(X, Y (22 Detta kan generalisereas till en linjärkombination av flera sv, ( n V a j X j j n a 2 jv (X j + 2 j n n i ji+ a i a j C(X i, X j (23 Vi behöver ett mått på graden av linjärt samband baserat på obsererade data Låt (x, y,, (x n, y n vara observationer av oberoende och likafördelade sv (X, Y,, (X n, Y n med kovarians C(X j, Y j c och korrelation ρ(x j, Y j ρ Vi skattar kovariansen med och korrelationen med ĉ n n (x j x(y j ȳ j r n n n j (x j x(y j ȳ n j (x j x 2 n n j (y j ȳ 2 Exempel 24 Antag att den sv X Re(, och låt Y X 2 Beroendet mellan X och Y X 2 är kvadratiskt Visa att X och Y är okorrelerade 2

3 22 Stokastiska vektorer Definition 25 Antag att X j, j, 2,, n är sv med väntevärde µ j E(X j, j, 2,, n Sätt c ij C(X i, X j, i, j, 2,, n Vi definierar en stokastik vektor som X (X, X 2,, X n t med väntevärdesvektor och kovaraiansmatris C µ (µ, µ 2,, µ n t c c 2 c 3 c n c 2 c 22 c 23 c 2n c n c n2 c n3 c nn Anmärkning 26 Notera att Diagonalelementen i C är c jj V (X j 2 C är symmetrisk, ty c ij C(X i, X j E((X i µ Xi (X j µ Xj C(X j, X i c ji 3 Om X j, j, 2,, n är oberoende, så är c ij 0 och C är en diagonalmatris 4 Kovariansen kan skrivas C E((X µ (X µ t Sats 27 Låt X vara en n stokastisk vektor Vi definierar en ny m -stokastisk vektor Y AX + b där A är en m n -matris och b en m -vektor Då gäller att E(Y A E(X + b 2 C Y A C X A t Bevis: Låt X (X,,, X n t, A (a ij m n, och b (b,, b m t Sätt Y AX + b Då är Y Y 2 Y m A X X 2 X m + b b 2 b m a X + a 2 X a n X n + b a 2 X + a 22 X a 2n X n + b 2 a m X + a m2 X a mn X n + b m 3

4 För j, 2,, m, gäller att E(Y j E(a j X +a j2 X 2 + +a jn X n +b j a j E(X +a j2 E(X 2 + +a jn E(X n +b j Dett ger att E(Y E(Y 2 E(Y m dvs E(Y AE(X + b a E(X + a 2 E(X a n E(X n + b a 2 E(X + a 22 E(X a 2n E(X n + b 2 a m E(X + a m2 E(X a mn E(X n + b m A E(X E(X 2 E(X m 2 Med µ X E(X och µ Y E(Y Aµ X + b, så följer av Anmärkning 26 att C Y E((Y µ Y (Y µ Y t E((Y Aµ X b (Y Aµ X b t E((AX + b Aµ X b (AX + b Aµ X b t E(A(X µ X (A(X µ X t E(A(X µ X ((X µ X t A t A E((X µ X (X µ X t A t A C X A t Vi noterar satsen ovan i specialfallet m, dvs Y Y och A (a, a 2,, a n a + b b 2 b m, Anmärkning 28 För linjärkombinationen av stokastiska variabler Y a X + a 2 X a n X n ax gäller att och E(Y ae(x C Y ac X a t Exempel 29 Låt X (X, X 2 t vara en stokastik vektor sådan att µ X (, t och ( C X Bestäm µ 2 Y och C Y för sv Y X + X 2 4

5 Exempel 20 Låt X oxh Y vara två beroende sv med väntevärden µ X och µ Y, standardavvikelser σ X och σ Y samt koorelationen ρ Bestäm kovariansmatrisen C 2 Prediktera Y mha en linjär funktion av X, dvs bestäm a och b, så att (a E(a + bx E(Y (b Variansen V (Y a bx blir minimal 5

6 23 Flerdimensionell normalfördelning Definition 2 En n -stokastisk vektor Y har flerdimensionell normalfördelning om Y µ + AX där µ är en n -vektor, A är en n m -matris och X är en m -vektor md oberoende N(0, komponenter Exempel 22 Om X (X, X 2 t ( är en normalfördelad stokastik vektor med väntevärdesvektor µ (, 2 t 2 och kovariansmatris C, skriver vi att 2 X N(µ, C N (( 2 ( 2, 2 Exempel 23 Bestäm väntevärdesmatris och kovariansmatris för en flerdimensionell normalfördelning Y µ + AX, där X är n vektor med oberoende N(0, komponenter Sats 24 Om Y har en flerdimensionell normalfördelning med väntevärdesmatris µ och kovariansmatris C med det C 0, så har Y täthetsfunktionen f Y (y,, y n ( 2π n det C e ((y µtc (y µ 2 Vi bevisar satsen i fallet m n och det A 0 Då är X A (Y µ Eftersom X har oberoende N(0, komponenter X j, j, 2,, n, så ges täthetsfunktionen för X av f X (x,,, x n f X (x f Xn (x n e x2 /2 e x2 n/2 2π 2π ( 2π n e (x2 +x2 2+x2 n /2 ( 2π n e (xt x/2 6

7 Låt M vara ett område i R n Då gäller att f Y (y,, y n dy dy n M f X (x,, x n dx dx n A (M A (M ( x/2 2π n e (xt dx dx n A(A (M ( 2π n e ((A (y µta (y µ/2 d(x,, x n d(y, y n dy dy n M ( 2π n e ((y µt (A ta (y µ/2 det A dy dy n M ( 2π n e ((y µt (AAt (y µ/2 det A dy dy n ( 2π n C (y µ/2 det C e ((y µt dy dy n, M ty det C det(aa t (det A 2 det A Alltså gäller att f Y (y,, y n ( 2π n det C e ((y µtc (y µ 2 Sats 25 Låt Z d + BY, där Y har flerdimensionell normalfördelning Då är även Z normalfördelad Bevis: Enligt definitionen kan Y skrivas Y µ+ax, där komponenterna i X är oberoende och N(0, Då följer att Z d + BY d + B(AX + µ d + Bµ + BAX ˆµ + ÂX, där ˆµ och  är fixa Definitionen av flerdimensionell normalfördelning ger nu att även Z är normalfördelad Sats 26 Antag att Y (Y,, Y n t har en flerdimensionell normalfördelning med kovariansmatris C sådan att det C 0 Då är Y j, j,, n oberoende om och endast om C är en diagonalmatris Bevis: Antag att Y j, j, 2,, n är oberoende Då är c ij C(Y i, Y j 0, i j och därmed är C Y en diagonalmatris 7

8 2 Antag nu omvändningen, dvs C Y är en diagonalmatris c c c nn Då är Enligt Sats 24 C Y /c /c /c nn f Y (y,, y n ( 2π n e c c 22 c nn e (y µ 2 /2c 2πc 2 ((y µtc (y µ 2πcnn e (yn µn2 /2c nn f Y (y f Yn (y n Eftersom f Y (y,, y n kan faktoriseras i produkten av täthetsfunktionerna för de endimensionella variablerna, så är Y j, j, 2,, n, oberoende Exempel 27 Låt X ( C X 3 ( X X 2 Bestäm täthetsfunktionen för Y Y 2 X + X 2 2 Bestäm P (Y > Y 2 + N(µ X, C X, där µ X ( Y Y 2 ( då Y 2X + X 2 och och 8

9 Övningar Stokastiska vektorer 5 Antag att den stokastiska vektorn X (X, X 2, X 3 t är N(µ, C, där µ (60, 60, 60 t och C Låt Y (X + X 2 + 2X 3 /4 Bestäm fördelningen för Y samt ett värde på a så att P (Y > a Låt X och X 2 vara oberoende och N(0, och låt den stokastiska vektorn Y definieras genom ( ( Y 2X X 2 Y 2 X + X 2 Bestäm täthetsfunktionen för Y Bestäm också P (Y > 2Y 2 53 I ett kommunikationssystem kan den i ett visst ögonblick mottagna signalen Y skrivas på formen Y X + Z, där X är den verkliga utsända signalen och Z en störning som är oberoende av X Vidare gäller att X N(0, 2 och Z N(0, (a Bestäm fördelningen för den stokastiska vektorn med komponenter X och Y (b Man vill rekonstruera X med hjälp av en linjär funktion ay +b av den mottagna signalen Bestäm konstanterna a och b så att E(aY +b E(X och V (X ay b är minimal 54 Mätningar på en tillverkningsprocess genomförs varje dag Av lång erfarenhet vet man att om processen är under kontroll, så gäller att för mätvärdena för dag t och dag t att ( X(t X(t N (( ( 2 6, 6 2 (a Stora förändringar från dag till dag anses bero på allvarliga störningar i driften Bestäm en gräns b för de normala variationerna från dag till dag, dvs bestäm b så att P ( X(t X(t < b 090 (b Låt U X(t X(t och V X(t + X(t Undersök om U och V är oberoende 55 Störningarna ε, ε 2 och ε 3 vid tre på varandra följande signalöverföringar i ett kommuniktionssystem kan anses utgöra komponenterna i en normalfördelad vektor med väntevärdesvektor µ och kovariansmatris C enligt nedan µ 0 0 0, C Beräkna sannolikheten att medelvärdet ε (ε + ε 2 + ε 3 / av de tre störningarna till sitt belopp överstiger 2 enheter 9

10 56 De sv X, X 2,, X 5 är oberoende och N(0, 2 Betrakta Y 5 (X + X X 5, Y 2 4X + X 2 X 3 X 4 X 5 (a Bestäm simultana fördelningen för (Y, Y 2 (b Beräkna P (Y > Y 2 (c Beräkna korrelationskoefficienten ρ(y, Y 2 mellan Y och Y 2 57 Den tvådimensionella stokastiska vektorn (X, X 2 t har täthetsfunktionen där c är en konstant och f(x, x 2 c e 2 Q(x,x 2, Q(x, x 2 5(x 2 2(x (x (x Ange fördelningarna för X och X 2 samt beräkna P (X > X Låt de sv X, X 2 och X 3 vara oberoende och N(0, Sätt Y X 2x 2 + X 3 och Y 2 c X + c 2 X 2 + c 3 X 3 Bestäm ett nödvändigt och tillräckligt villkor på c, c 2 och c 3 för att Y och Y 2 ska vara oberoende 0

11 Svar till Stokastiska vektorer Y N(60, 50 a f Y (y, y 2 6π e (2y2 2y y 2 +5y2 2/8, < y <, < y 2 < P (y > 2y ( X Y N (( 0 0, ( a 4/5, b 2 4 b 47 U och V är oberoende, ty U, V t är normalfördelad med en diagonalmatris som kovariansmatris 5 ε N(0, 02 P ( ε > (( ( a Y N, b Φ(35 03 c ρ 02 (( 7 X N 2 ( 2 5, 5 25 X N(, 2 och X 2 N( 2, 25 P (X > X Φ( Y och Y 2 oberoende om och endast om c 2c 2 + c 3 0

Väntevärde och varians

Väntevärde och varians TNG6 F5 19-4-216 Väntevärde och varians Exempel 5.1. En grupp teknologer vid ITN slår sig ihop för att starta ett företag som utvecklar datorspel. Man vet att det är 8% chans för ett felfritt spel som

Läs mer

9. Konfidensintervall vid normalfördelning

9. Konfidensintervall vid normalfördelning TNG006 F9 09-05-016 Konfidensintervall 9. Konfidensintervall vid normalfördelning Låt x 1, x,..., x n vara ett observerat stickprov av oberoende s.v. X 1, X,..., X n var och en med fördelning F. Antag

Läs mer

SF1901: Sannolikhetslära och statistik

SF1901: Sannolikhetslära och statistik SF1901: Sannolikhetslära och statistik Föreläsning 6. Kovarians, korrelation, väntevärde och varians för summor av s.v.:er, De stora talens lag Jan Grandell & Timo Koski 04.02.2016 Jan Grandell & Timo

Läs mer

Föreläsning 6, Matematisk statistik Π + E

Föreläsning 6, Matematisk statistik Π + E Repetition Kovarians Stora talens lag Gauss Föreläsning 6, Matematisk statistik Π + E Sören Vang Andersen 2 december 2014 Sören Vang Andersen - sva@maths.lth.se FMS012 F6 1/20 Repetition Kovarians Stora

Läs mer

SF1901: SANNOLIKHETSTEORI OCH MER ON VÄNTEVÄRDE OCH VARIANS. KOVARIANS OCH KORRELATION. STORA TALENS LAG. STATISTIK.

SF1901: SANNOLIKHETSTEORI OCH MER ON VÄNTEVÄRDE OCH VARIANS. KOVARIANS OCH KORRELATION. STORA TALENS LAG. STATISTIK. SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 6 MER ON VÄNTEVÄRDE OCH VARIANS. KOVARIANS OCH KORRELATION. STORA TALENS LAG. Tatjana Pavlenko 12 september 2017 PLAN FÖR DAGENS FÖRELÄSNING Repetition

Läs mer

Enkel och multipel linjär regression

Enkel och multipel linjär regression TNG006 F3 25-05-206 Enkel och multipel linjär regression 3.. Enkel linjär regression I det här avsnittet kommer vi att anpassa en rät linje till mätdata. Betrakta följande värden från ett försök x 4.0

Läs mer

Föreläsning 1. Repetition av sannolikhetsteori. Patrik Zetterberg. 6 december 2012

Föreläsning 1. Repetition av sannolikhetsteori. Patrik Zetterberg. 6 december 2012 Föreläsning 1 Repetition av sannolikhetsteori Patrik Zetterberg 6 december 2012 1 / 28 Viktiga statistiska begrepp För att kunna förstå mer avancerade koncept under kursens gång är det viktigt att vi förstår

Läs mer

Kap 2. Sannolikhetsteorins grunder

Kap 2. Sannolikhetsteorins grunder Kap 2. Sannolikhetsteorins grunder Olika händelser och deras mängbetäckningar Sats 2.7 Dragning utan återläggning av k element ur n (utan hänsyn till ordning) kan ske på ( n ) olika sätt k För två händelser

Läs mer

Formel- och tabellsamling i matematisk statistik

Formel- och tabellsamling i matematisk statistik Formel- och tabellsamling i matematisk statistik 1. Sannolikhetsteori för lärarprogrammet Sannolikhetsformler P (A ) = 1 P (A) P (A B) = P (A) + P (B) P (A B) P (A B) = P (A B) P (B) P (A B) = P (A B)P

Läs mer

Formler och tabeller till kursen MSG830

Formler och tabeller till kursen MSG830 Formler och tabeller till kursen MSG830 Deskriptiva mått För ett datamängd x 1,, x n denieras medelvärde standardavvikelse standardfelet (SEM) Sannolikheter x = 1 n n i=1 = x 1 + + x n n s = 1 n (x i x)

Läs mer

SF1911: Statistik för bioteknik

SF1911: Statistik för bioteknik SF1911: Statistik för bioteknik Föreläsning 6. TK 14.11.2016 TK Matematisk statistik 14.11.2016 1 / 38 Lärandemål Stokastiska modeller för kontinuerliga datatyper Fördelningsfunktion (cdf) Sannolikhetstäthetsfunktion

Läs mer

Bengt Ringnér. October 30, 2006

Bengt Ringnér. October 30, 2006 Väntevärden Bengt Ringnér October 0, 2006 1 Inledning 2 Väntevärden Låt X vara en stokastisk variabel som representerar ett slumpmässigt försök, t ex att mäta en viss storhet. Antag att man kan göra, eller

Läs mer

Kovarians och kriging

Kovarians och kriging Kovarians och kriging Bengt Ringnér November 2, 2007 Inledning Detta är föreläsningsmanus på lantmätarprogrammet vid LTH. 2 Kovarianser Sedan tidigare har vi, för oberoende X och Y, att VX + Y ) = VX)

Läs mer

Tentamen i Matematisk Statistik, 7.5 hp

Tentamen i Matematisk Statistik, 7.5 hp Tentamen i Matematisk Statistik, 7.5 hp Distanskurs 15 januari, 2011 kl. 9.00 13.00 Maxpoäng: 30p. Betygsgränser: 12p: betyg G, 21p: betyg VG. Hjälpmedel: Miniräknare samt formelsamling som medföljer tentamenstexten.

Läs mer

Oberoende stokastiska variabler

Oberoende stokastiska variabler Kapitel 6 Oberoende stokastiska variabler Betrakta ett försök med ett ändligt (eller högst numrerbart) utfallsrum Ω samt två stokastiska variabler ξ och η med värdemängderna Ω ξ och Ω η. Vi bildar funktionen

Läs mer

TAMS65 - Föreläsning 2 Parameterskattningar - olika metoder

TAMS65 - Föreläsning 2 Parameterskattningar - olika metoder TAMS65 - Föreläsning 2 Parameterskattningar - olika metoder Martin Singull Matematisk statistik Matematiska institutionen Innehåll Fö2 Punktskattningar Egenskaper Väntevärdesriktig Effektiv Konsistent

Läs mer

LINKÖPINGS UNIVERSITET EXAM TAMS 27 / TEN 2

LINKÖPINGS UNIVERSITET EXAM TAMS 27 / TEN 2 LINKÖPINGS UNIVERSITET Matematiska institutionen EXAM TAMS 27 / TEN 2 2 augusti 217, klockan 8-12 Examinator: Jörg-Uwe Löbus (Tel: 79-62827 Tillåtna hjälpmedel är en räknare, formelsamling i matematisk

Läs mer

Matematisk statistik KTH. Formel- och tabellsamling i matematisk statistik

Matematisk statistik KTH. Formel- och tabellsamling i matematisk statistik Matematisk statistik KTH Formel- och tabellsamling i matematisk statistik Varterminen 2005 . Kombinatorik n = k n! k!n k!. Tolkning: n k mängd med n element. 2. Stokastiska variabler V X = EX 2 EX 2 =

Läs mer

Härledning av Black-Littermans formel mha allmänna linjära modellen

Härledning av Black-Littermans formel mha allmänna linjära modellen Härledning av Black-Littermans formel mha allmänna linjära modellen Ett sätt att få fram Black-Littermans formel är att formulera problemet att hitta lämpliga justerade avkastningar som ett skattningsproblem

Läs mer

Föreläsningsanteckningar i Matematisk Statistik. Jan Grandell

Föreläsningsanteckningar i Matematisk Statistik. Jan Grandell Föreläsningsanteckningar i Matematisk Statistik Jan Grandell 2 Förord Dessa anteckningar gjordes för mitt privata bruk av föreläsningsmanuskript och har aldrig varit tänkta att användas som kursmaterial.

Läs mer

(x) = F X. och kvantiler

(x) = F X. och kvantiler Föreläsning 5: Matstat AK för M, HT-8 MATEMATISK STATISTIK AK FÖR M HT-8 FÖRELÄSNING 5: KAPITEL 6: NORMALFÖRDELNINGEN EXEMPEL FORTKÖRARE Man har mätt hastigheten på 8 bilar som passerade en korsning i

Läs mer

Centrala gränsvärdessatsen (CGS). Approximationer

Centrala gränsvärdessatsen (CGS). Approximationer TNG006 F7 25-04-2016 Centrala gränsvärdessatsen (CGS. Approximationer 7.1. Centrala gränsvärdessatsen Vi formulerade i Sats 6.10 i FÖ6 en vitig egensap hos normalfördelningen som säger att en linjär ombination

Läs mer

5 Stokastiska vektorer 9. 6 Multipel regression Matrisformulering MK-skattning av β... 11

5 Stokastiska vektorer 9. 6 Multipel regression Matrisformulering MK-skattning av β... 11 UTDRAG UR FÖRELÄSNINGSANTECKNINGAR I STATISTIKTEORI LINJÄR REGRESSION OCH STOKASTISKA VEKTORER MATEMATISK STATISTIK AK FÖR F, E, D, I, C, Π; FMS 012 JOAKIM LÜBECK, MARS 2014 Innehåll 4 Enkel linjär regression

Läs mer

0 om x < 0, F X (x) = x. 3 om 0 x 1, 1 om x > 1.

0 om x < 0, F X (x) = x. 3 om 0 x 1, 1 om x > 1. Avd. Matematisk statistik TENTAMEN I SF9, SF95 SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAGEN DEN 2:E JANUARI 25 KL 4. 9.. Kursledare: Gunnar Englund, 73 32 37 45 Tillåtna hjälpmedel: Formel- och tabellsamling

Läs mer

Repetitionsföreläsning

Repetitionsföreläsning Slumpförsök Repetitionsföreläsning Föreläsning 15 Sannolikhet och Statistik 5 hp Med händelser A B... avses delmängder av ett utfallsrum. Slumpförsök = utfallsrummet + ett sannolikhetsmått P. Fredrik Jonsson

Läs mer

LINKÖPINGS UNIVERSITET EXAM TAMS 79 / TEN 1

LINKÖPINGS UNIVERSITET EXAM TAMS 79 / TEN 1 LINKÖPINGS UNIVERSITET Matematiska institutionen EXAM TAMS 79 / TEN 1 augusti 14, klockan 8.00-12.00 Examinator: Jörg-Uwe Löbus Tel: 28-1474) Tillåtna hjälpmedel är en räknare, formelsamling i matematisk

Läs mer

Dagens program. Linjära ekvationssystem och matriser

Dagens program. Linjära ekvationssystem och matriser Dagens program Matriser Räkneoperationer och räknelagar Linjära ekvationssystem och matriser Matrisform av ekvationssystem Elementära radoperationer Trappstegsmatriser, rang och lösningsstruktur Matrisinvers,

Läs mer

Sannolikheter och kombinatorik

Sannolikheter och kombinatorik Sannolikheter och kombinatorik En sannolikhet är ett tal mellan 0 och 1 som anger hur frekvent en händelse sker, där 0 betyder att det aldrig sker och 1 att det alltid sker. När vi talar om sannolikheter

Läs mer

Föreläsning 5, FMSF45 Summor och väntevärden

Föreläsning 5, FMSF45 Summor och väntevärden Föreläsning 5, FMSF45 Summor och väntevärden Stas Volkov 2017-09-19 Stanislav Volkov s.volkov@maths.lth.se FMSFF45 F5: väntevärden 1/18 2D stokastisk variabel Tvådimensionella stokastisk variabel (X, Y)

Läs mer

Föreläsning 5. Funktioner av slumpvariabler. Ett centralt resultat.

Föreläsning 5. Funktioner av slumpvariabler. Ett centralt resultat. Föreläsning 5. Funktioner av slumpvariabler. Ett centralt resultat. Jesper Rydén Matematiska institutionen, Uppsala universitet jesper.ryden@math.uu.se 1MS008, 1MS777 vt 2016 Ytterligare begrepp Viktiga

Läs mer

5 Stokastiska vektorer 9. 6 Multipel regression Matrisformulering MK-skattning av A.3 Skattningarnas fördelning...

5 Stokastiska vektorer 9. 6 Multipel regression Matrisformulering MK-skattning av A.3 Skattningarnas fördelning... UTDRAG UR FÖRELÄSNINGSANTECKNINGAR I STATISTIKTEORI LINJÄR REGRESSION OCH STOKASTISKA VEKTORER MATEMATISK STATISTIK AK FÖR F, E, D, I, C, È; FMS 012 JOAKIM LÜBECK, SEPTEMBER 2008 Innehåll 4 Enkel linjär

Läs mer

(b) Bestäm sannolikheten att minst tre tåg är försenade under högst tre dagar en given vecka.

(b) Bestäm sannolikheten att minst tre tåg är försenade under högst tre dagar en given vecka. Avd. Matematisk statistik TENTAMEN I SF1901, SF1905 SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAGEN DEN 11 JANUARI 2016 KL 14.00 19.00. Kursledare för CINEK2: Thomas Önskog, tel: 08 790 84 55 Kursledare för

Läs mer

Tenta i Statistisk analys, 15 december 2004

Tenta i Statistisk analys, 15 december 2004 STOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN LÖSNINGAR Avd. Matematisk statistik, ML 15 december 004 Lösningar Tenta i Statistisk analys, 15 december 004 Uppgift 1 Vi har två stickprov med n = 5 st.

Läs mer

Teoretisk statistik. Gunnar Englund Matematisk statistik KTH. Vt 2005

Teoretisk statistik. Gunnar Englund Matematisk statistik KTH. Vt 2005 Teoretisk statistik Gunnar Englund Matematisk statistik KTH Vt 2005 Inledning Vi skall kortfattat behandla aspekter av teoretisk statistik där framför allt begreppet uttömmande (ibland kallad tillräcklig

Läs mer

FACIT: Tentamen L9MA30, LGMA30

FACIT: Tentamen L9MA30, LGMA30 Göteborgs Universitetet GU Lärarprogrammet 20 FACIT: Tentamen L9MA0, LGMA0 Matematik för lärare, åk 7-9, Sannolikhetslära och statistik, Matematik för gymnasielärare, Sannolikhetslära och statistik 20-0-2

Läs mer

Några extra övningsuppgifter i Statistisk teori

Några extra övningsuppgifter i Statistisk teori Statistiska institutionen Några extra övningsuppgifter i Statistisk teori 23 JANUARI 2009 2 Sannolikhetsteorins grunder 1. Tre vanliga symmetriska tärningar kastas. Om inte alla tre tärningarna visar sexa,

Läs mer

TMS136. Föreläsning 5

TMS136. Föreläsning 5 TMS136 Föreläsning 5 Två eller flera stokastiska variabler I många situationer är det av intresse att betrakta fler än en s.v. åt gången Speciellt gör man det i statistik där man nästan alltid jobbar med

Läs mer

10. Konfidensintervall vid två oberoende stickprov

10. Konfidensintervall vid två oberoende stickprov TNG006 F0-05-06 Konfidensintervall för linjärkombinationer 0. Konfidensintervall vid två oberoende stikprov Antag att X, X,..., X m är ett stikprov på N(µ, σ ) oh att Y, Y,..., Y n är ett stikprov på N(µ,

Läs mer

Laboration 2: Sannolikhetsteori och simulering

Laboration 2: Sannolikhetsteori och simulering Lunds tekniska högskola Matematikcentrum Matematisk statistik Laboration 2 Matematisk statistik AK för Π och E, FMS012, HT14/VT15 Laboration 2: Sannolikhetsteori och simulering Syftet med den här laborationen

Läs mer

16. Linjära avbildningar

16. Linjära avbildningar 6. Linjära avbildningar 6.. Linjär avbildning Exempel 6.. Betrakta funktionen f : R R, sådan att där a är en konstant. Då gäller att. f(x + y) = a(x + y) = ax + ay = f(x) + f(y). 2. f(λx) = a(λx) = aλx

Läs mer

Kapitel 5 Multivariata sannolikhetsfördelningar

Kapitel 5 Multivariata sannolikhetsfördelningar Sannolikhetslära och inferens II Kapitel 5 Multivariata sannolikhetsfördelningar 1 Multivariata sannolikhetsfördelningar En slumpvariabel som, när slumpförsöket utförs, antar exakt ett värde sägs vara

Läs mer

Blandade problem från elektro- och datateknik

Blandade problem från elektro- och datateknik Blandade problem från elektro- och datateknik Sannolikhetsteori (Kapitel 1-10) E1. En viss typ av elektroniska komponenter anses ha exponentialfördelade livslängder. Efter 3000 timmar brukar 90 % av komponenterna

Läs mer

1 Konvexa optimeringsproblem grundläggande egenskaper

1 Konvexa optimeringsproblem grundläggande egenskaper Krister Svanberg, april 2012 1 Konvexa optimeringsproblem grundläggande egenskaper Ett optimeringsproblem är i viss mening godartat om det tillåtna området är en konvex mängd och den målfunktion som ska

Läs mer

TAMS65 - Föreläsning 2 Parameterskattningar - olika metoder

TAMS65 - Föreläsning 2 Parameterskattningar - olika metoder TAMS65 - Föreläsning 2 Parameterskattningar - olika metoder Martin Singull Matematisk statistik Matematiska institutionen Innehåll Fö2 I Punktskattningar I Egenskaper I Väntevärdesriktig I E ektiv I Konsistent

Läs mer

x f (x) dx 1/8. Kan likhet gälla i sistnämnda relation. (Torgny Lindvall.) f är en kontinuerlig funktion på 1 x sådan att lim a

x f (x) dx 1/8. Kan likhet gälla i sistnämnda relation. (Torgny Lindvall.) f är en kontinuerlig funktion på 1 x sådan att lim a Elementa Årgång 50, 967 Årgång 50, 967 Första häftet 2603. Låt ξ, ξ 2,..., ξ n vara stokastiska variabler med väntevärden E[ξ i ], i =, 2,..., n. Visa att E[max(ξ, ξ 2,..., ξ n )] max(e[ξ ], E[ξ 2 ],...,

Läs mer

SF1901: Sannolikhetslära och statistik. Väntevärde; Väntevärde för funktioner av s.v:er; Varians; Tjebysjovs olikhet. Jan Grandell & Timo Koski

SF1901: Sannolikhetslära och statistik. Väntevärde; Väntevärde för funktioner av s.v:er; Varians; Tjebysjovs olikhet. Jan Grandell & Timo Koski SF1901: Sannolikhetslära och statistik Föreläsning 5. Väntevärde; Väntevärde för funktioner av s.v:er; Varians; Tjebysjovs olikhet. Jan Grandell & Timo Koski 28.01.2015 Jan Grandell & Timo Koski () Matematisk

Läs mer

Övningar. MATEMATISKA INSTITUTIONEN STOCKHOLMS UNIVERSITET Avd. Matematik. Linjär algebra 2. Senast korrigerad:

Övningar. MATEMATISKA INSTITUTIONEN STOCKHOLMS UNIVERSITET Avd. Matematik. Linjär algebra 2. Senast korrigerad: MATEMATISKA INSTITUTIONEN STOCKHOLMS UNIVERSITET Avd. Matematik Linjär algebra 2 Senast korrigerad: 2006-02-10 Övningar Linjära rum 1. Låt v 1,..., v m vara vektorer i R n. Ge bevis eller motexempel till

Läs mer

16. Linjära avbildningar

16. Linjära avbildningar 66 6 LINJÄRA AVBILDNINGAR 6. Linjära avbildningar 6.. Linjär avbildning Exempel 6.. Betrakta funktionen f : R R, sådan att där a är en konstant. Då gäller att. f(x + y) =a(x + y) =ax + ay = f(x)+f(y)..

Läs mer

Lektionsanteckningar 11-12: Normalfördelningen

Lektionsanteckningar 11-12: Normalfördelningen Lektionsanteckningar 11-12: Normalfördelningen När utfallsrummet för en slumpvariabel kan anta vilket värde som helst i ett givet intervall är variabeln kontinuerlig. Det är väsentligt att utfallsrummet

Läs mer

Egenvärden och egenvektorer

Egenvärden och egenvektorer Föreläsning 10, Linjär algebra IT VT2008 1 Egenvärden och egenvektorer Denition 1 Antag att A är en n n-matris. En n-vektor v 0 som är sådan att A verkar som multiplikation med ett tal λ på v, d v s Av

Läs mer

Stokastiska Processer och ARIMA. Patrik Zetterberg. 19 december 2012

Stokastiska Processer och ARIMA. Patrik Zetterberg. 19 december 2012 Föreläsning 7 Stokastiska Processer och ARIMA Patrik Zetterberg 19 december 2012 1 / 22 Stokastiska processer Stokastiska processer är ett samlingsnamn för Sannolikhetsmodeller för olika tidsförlopp. Stokastisk=slumpmässig

Läs mer

Laboration 5: Regressionsanalys. 1 Förberedelseuppgifter. 2 Enkel linjär regression DATORLABORATION 5 MATEMATISK STATISTIK FÖR I, FMS 012, HT-08

Laboration 5: Regressionsanalys. 1 Förberedelseuppgifter. 2 Enkel linjär regression DATORLABORATION 5 MATEMATISK STATISTIK FÖR I, FMS 012, HT-08 LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK Laboration 5: Regressionsanalys DATORLABORATION 5 MATEMATISK STATISTIK FÖR I, FMS 012, HT-08 Syftet med den här laborationen är att du skall

Läs mer

AMatematiska institutionen avd matematisk statistik

AMatematiska institutionen avd matematisk statistik Kungl Tekniska Högskolan AMatematiska institutionen avd matematisk statistik TENTAMEN I 5B1503 STATISTIK MED FÖRSÖKSPLANERING FÖR B OCH K FREDAGEN DEN 11 JANUARI 2002 KL 14.00 19.00. Examinator: Gunnar

Läs mer

TENTAMEN GRUNDLÄGGANDE STATISTIK FÖR EKONOMER

TENTAMEN GRUNDLÄGGANDE STATISTIK FÖR EKONOMER Statistiska institutionen Frank Miller Dan Hedlin Skrivtid: 09.00-14.00 TENTAMEN GRUNDLÄGGANDE STATISTIK FÖR EKONOMER 2014-03-21 Hjälpmedel: Miniräknare utan lagrade formler eller text, bifogade tabeller

Läs mer

TAMS65. Problemsamling. Martin Singull

TAMS65. Problemsamling. Martin Singull TAMS65 Problemsamling Martin Singull 1 2 1. En tillverkare av datorer har tagit emot ett mycket stort parti elektroniska komponenter, vars livslängd mätta i år skall vara oberoende och exponentialfördelade

Läs mer

Uppgift 1 (a) För två händelser, A och B, är följande sannolikheter kända

Uppgift 1 (a) För två händelser, A och B, är följande sannolikheter kända Avd. Matematisk statistik TENTAMEN I SF90, SANNOLIKHETSTEORI OCH STATISTIK, TISDAGEN DEN 9:E JUNI 205 KL 4.00 9.00. Kursledare: Tatjana Pavlenko, 08-790 84 66 Tillåtna hjälpmedel: Formel- och tabellsamling

Läs mer

BEGREPPSMÄSSIGA PROBLEM

BEGREPPSMÄSSIGA PROBLEM BEGREPPSMÄSSIGA PROBLEM Större delen av de rekommenderade uppgifterna i boken är beräkningsuppgifter. Det är emellertid även viktigt att utveckla en begreppsmässig förståelse för materialet. Syftet med

Läs mer

Matematisk statistik KTH. Formel- och tabellsamling i Matematisk statistik, grundkurs

Matematisk statistik KTH. Formel- och tabellsamling i Matematisk statistik, grundkurs Matematisk statistik KTH Formel- och tabellsamling i Matematisk statistik, grundkurs Varterminen 2005 . Kombinatorik ( ) n = k n! k!(n k)!. Tolkning: ( n k mängd med n element. 2. Stokastiska variabler

Läs mer

Subtraktion. Räkneregler

Subtraktion. Räkneregler Matriser En matris är en rektangulär tabell av tal, 1 3 17 4 3 2 14 4 0 6 100 2 Om matrisen har m rader och n kolumner så säger vi att matrisen har storlek m n Index Vi indexerar elementen i matrisen genom

Läs mer

F9 SAMPLINGFÖRDELNINGAR (NCT

F9 SAMPLINGFÖRDELNINGAR (NCT Stat. teori gk, ht 006, JW F9 SAMPLINGFÖRDELNINGAR (NCT 7.1-7.4) Ordlista till NCT Sample Population Simple random sampling Sampling distribution Sample mean Standard error The central limit theorem Proportion

Läs mer

SF1901: SANNOLIKHETSTEORI OCH KONTINUERLIGA STOKASTISKA VARIABLER STATISTIK. Tatjana Pavlenko. 7 september 2016

SF1901: SANNOLIKHETSTEORI OCH KONTINUERLIGA STOKASTISKA VARIABLER STATISTIK. Tatjana Pavlenko. 7 september 2016 SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 4 KONTINUERLIGA STOKASTISKA VARIABLER Tatjana Pavlenko 7 september 2016 PLAN FÖR DAGENS FÖRELÄSNING Repetition av diskreta stokastiska variabler. Väntevärde

Läs mer

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 3

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 3 Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 3 Kontinuerliga sannolikhetsfördelningar (LLL Kap 7 & 9) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics

Läs mer

Föreläsningsmanus i matematisk statistik för lantmätare, vecka 5 HT06

Föreläsningsmanus i matematisk statistik för lantmätare, vecka 5 HT06 Föreläsningsmanus i matematisk statistik för lantmätare, vecka 5 HT06 Bengt Ringnér September 20, 2006 Inledning Detta är preliminärt undervisningsmaterial. Synpunkter är välkomna. 2 Väntevärde standardavvikelse

Läs mer

Stokastiska processer med diskret tid

Stokastiska processer med diskret tid Stokastiska processer med diskret tid Vi tänker oss en följd av stokastiska variabler X 1, X 2, X 3,.... Talen 1, 2, 3,... räknar upp tidpunkter som förflutit från startpunkten 1. De stokastiska variablerna

Läs mer

Föreläsning 12: Regression

Föreläsning 12: Regression Föreläsning 12: Regression Matematisk statistik David Bolin Chalmers University of Technology Maj 15, 2014 Binomialfördelningen Låt X Bin(n, p). Vi observerar x och vill ha information om p. p = x/n är

Läs mer

Finansmatematik II Kapitel 2 Stokastiska egenskaper hos aktiepriser

Finansmatematik II Kapitel 2 Stokastiska egenskaper hos aktiepriser STOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN Avd. för Matematisk statistik Thomas Höglund Version Finansmatematik II Kapitel Stokastiska egenskaper hos aktiepriser Finansmatematik II För att kunna

Läs mer

Laboration 2: Sannolikhetsteori och simulering

Laboration 2: Sannolikhetsteori och simulering LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK LABORATION 2 MATEMATISK STATISTIK AK FÖR CDIFYSIKER, FMS012/MASB03, HT13 Laboration 2: Sannolikhetsteori och simulering Syftet med den här

Läs mer

Föreläsningsanteckningar Linjär Algebra II Lärarlyftet

Föreläsningsanteckningar Linjär Algebra II Lärarlyftet Föreläsningsanteckningar Linjär Algebra II Lärarlyftet Per Alexandersson Föreläsning I Timme I: Repetition av matriser, linjära ekvationssystem Linjärt ekvationssystem: x + y + z 3w = 3 2x + y + z 4w =

Läs mer

Envägs variansanalys (ANOVA) för test av olika väntevärde i flera grupper

Envägs variansanalys (ANOVA) för test av olika väntevärde i flera grupper Envägs variansanalys (ANOVA) för test av olika väntevärde i flera grupper Tobias Abenius February 21, 2012 Envägs variansanalys (ANOVA) I envägs variansanalys utnyttjas att

Läs mer

Vektorgeometri för gymnasister

Vektorgeometri för gymnasister Vektorgeometri för gymnasister Per-Anders Svensson http://homepage.lnu.se/staff/psvmsi/vektorgeometri/gymnasiet.html Fakulteten för teknik Linnéuniversitetet Linjära avbildningar II Innehåll Repetition:

Läs mer

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I G. Gripenberg Aalto-universitetet 28 januari 2014 G. Gripenberg (Aalto-universitetet) MS-A0509 Grundkurs i sannolikhetskalkyl

Läs mer

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I G. Gripenberg Sannolikheter Slumpvariabler Centrala gränsvärdessatsen Aalto-universitetet 8 januari 04 3 Tvådimensionella slumpvariabler

Läs mer

MSG830 Statistisk analys och experimentplanering

MSG830 Statistisk analys och experimentplanering MSG830 Statistisk analys och experimentplanering Tentamen 15 Januari 2015, 8:30-12:30 Examinator: Staan Nilsson, telefon 073 5599 736, kommer till tentamenslokalen 9:30 och 11:30 Tillåtna hjälpmedel: Kalkylator

Läs mer

GRUNDLÄGGANDE REGRESSIONSANALYS Problemsamling

GRUNDLÄGGANDE REGRESSIONSANALYS Problemsamling GRUNDLÄGGANDE REGRESSIONSANALYS Problemsamling Martin Singull Kapitel 1 GR-1.1. Uppgift 1. i Grundläggande Regressionsanalys. GR-1.2. Uppgift 2. i Grundläggande Regressionsanalys. GR-1.3. Uppgift 3. i

Läs mer

Matematisk statistik för B, K, N, BME och Kemister

Matematisk statistik för B, K, N, BME och Kemister Matematisk statistik för B, K, N, BME och Kemister Föreläsning 9 Joakim Lübeck (Johan Lindström 25 september 217 Johan Lindström - johanl@maths.lth.se FMSF7/MASB2 F9 1/23 Repetition Inferens för diskret

Läs mer

Industriell matematik och statistik, LMA136 2013/14

Industriell matematik och statistik, LMA136 2013/14 Industriell matematik och statistik, LMA136 2013/14 7 Mars 2014 Disposition r Kondensintervall och hypotestest Kondensintervall Statistika Z (eller T) har fördelning F (Z en funktion av ˆθ och θ) q 1 α/2

Läs mer

Matematisk statistik för B, K, N, BME och Kemister

Matematisk statistik för B, K, N, BME och Kemister Matematisk statistik för B, K, N, BME och Kemister Johan Lindström Repetition Johan Lindström - johanl@maths.lth.se FMS86/MASB2 1/44 Begrepp S.V. Fördelning Väntevärde Gauss CGS Grundläggande begrepp (Kap.

Läs mer

8. Euklidiska rum 94 8 EUKLIDISKA RUM

8. Euklidiska rum 94 8 EUKLIDISKA RUM 94 8 EUKLIDISKA RUM 8. Euklidiska rum Definition 8.. En skalärprodukt på vektorrummet V är en funktion som till varje par av element u och v i V ordnar ett reellt tal u v eller u v med följande egenskaper:.

Läs mer

November 17, 2015 (1) en enda lsg. Obs det A = 1 0. (2) k-parameter lsg. Obs det A = 0. k-kolonner efter sista ledande ettan

November 17, 2015 (1) en enda lsg. Obs det A = 1 0. (2) k-parameter lsg. Obs det A = 0. k-kolonner efter sista ledande ettan Fö 9: November 7, 5 Determinanter och ekvationssystem Betrakta ett linjärt ekvssystem A X = B, där A är en kvadratisk n n)-matris och X, B n )-matriser. Låt C = [A B] utökad matris ). Gausselimination

Läs mer

Tentamen Statistik och dataanalys 1, 5p Institutionen för matematik, natur- och datavetenskap, Högskolan i Gävle

Tentamen Statistik och dataanalys 1, 5p Institutionen för matematik, natur- och datavetenskap, Högskolan i Gävle Tentamen Statistik och dataanalys 1, 5p Institutionen för matematik, natur- och datavetenskap, Högskolan i Gävle Lärare: Mikael Elenius, 2006-08-25, kl:9-14 Betygsgränser: 65 poäng Väl Godkänt, 50 poäng

Läs mer

Hjälpmedel: utdelad ordlista, ej räknedosa Chalmers tekniska högskola Datum: kl

Hjälpmedel: utdelad ordlista, ej räknedosa Chalmers tekniska högskola Datum: kl MATEMATIK Hjälpmedel: utdelad ordlista, ej räknedosa Chalmers tekniska högskola atum: 2-3-9 kl. 8.3 2.3 Tentamen Telefonvakt: Richard Lärkäng tel. 73-8834 TMV36 Analys och Linjär Algebra K Kf Bt, del C

Läs mer

1 De fyra fundamentala underrummen till en matris

1 De fyra fundamentala underrummen till en matris Krister Svanberg, mars 2012 1 De fyra fundamentala underrummen till en matris 1.1 Definition av underrum En given delmängd M av IR n säges vara ett underrum i IR n om följande gäller: För varje v 1 M,

Läs mer

Detta formelblad får användas under både KS2T och KS2D, samt ordinarie tentamen. x = 1 n. x i. with(stats): describe[mean]([3,5]); 4.

Detta formelblad får användas under både KS2T och KS2D, samt ordinarie tentamen. x = 1 n. x i. with(stats): describe[mean]([3,5]); 4. Formelblad Detta formelblad får användas under både KST och KSD, samt ordinarie tentamen. Medelvärde x = 1 n x i with(stats): describe[mean]([3,5]); 4 Varians s = 1 (x i x) n 1 ( s = 1 x i n 1 1 n ) x

Läs mer

STOCKHOLMS UNIVERSITET Statistiska institutionen Michael Carlson,

STOCKHOLMS UNIVERSITET Statistiska institutionen Michael Carlson, STOCKHOLMS UNIVERSITET Statistiska institutionen Michael Carlson, 5--9 Lösningförslag skriftlig hemtentamen i Fortsättningskurs i statistik, moment, Statistisk Teori, poäng. Deltentamen : Sannolikhetsteori

Läs mer

SF1901: SANNOLIKHETSTEORI OCH STATISTIKTEORI KONSTEN ATT DRA INTERVALLSKATTNING. STATISTIK SLUTSATSER. Tatjana Pavlenko.

SF1901: SANNOLIKHETSTEORI OCH STATISTIKTEORI KONSTEN ATT DRA INTERVALLSKATTNING. STATISTIK SLUTSATSER. Tatjana Pavlenko. SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 10 STATISTIKTEORI KONSTEN ATT DRA SLUTSATSER. INTERVALLSKATTNING. Tatjana Pavlenko 25 april 2017 PLAN FÖR DAGENS FÖRELÄSNING Statistisk inferens oversikt

Läs mer

SF1901: Övningshäfte

SF1901: Övningshäfte SF1901: Övningshäfte 24 september 2013 Uppgifterna under rubriken Övning kommer att gås igenom under övningstillfällena. Uppgifterna under rubriken Hemtal är starkt rekommenderade och motsvarar nivån på

Läs mer

TMS136. Föreläsning 7

TMS136. Föreläsning 7 TMS136 Föreläsning 7 Stickprov När vi pysslar med statistik handlar det ofta om att baserat på stickprovsinformation göra utlåtanden om den population stickprovet är draget ifrån Situationen skulle kunna

Läs mer

F9 Konfidensintervall

F9 Konfidensintervall 1/16 F9 Konfidensintervall Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 18/2 2013 2/16 Kursinformation och repetition Första inlämningsuppgiften rättas nu i veckan. För att

Läs mer

TMS136. Föreläsning 10

TMS136. Föreläsning 10 TMS136 Föreläsning 10 Intervallskattningar Vi har sett att vi givet ett stickprov kan göra punktskattningar för fördelnings-/populationsparametrar En punkskattning är som vi minns ett tal som är en (förhoppningsvis

Läs mer

1 Kvadratisk optimering under linjära likhetsbivillkor

1 Kvadratisk optimering under linjära likhetsbivillkor Krister Svanberg, april 0 Kvadratisk optimering under linjära likhetsbivillkor I detta kapitel behandlas följande kvadratiska optimeringsproblem under linjära likhetsbivillkor: xt Hx + c T x + c 0 då Ax

Läs mer

6. Matriser Definition av matriser 62 6 MATRISER. En matris är ett rektangulärt schema av tal: a 11 a 12 a 13 a 1n a 21 a 22 a 23 a 2n A =

6. Matriser Definition av matriser 62 6 MATRISER. En matris är ett rektangulärt schema av tal: a 11 a 12 a 13 a 1n a 21 a 22 a 23 a 2n A = 62 6 MATRISER 6 Matriser 6 Definition av matriser En matris är ett rektangulärt schema av tal: A a a 2 a 3 a n a 2 a 22 a 23 a 2n a m a m2 a m3 a mn Matrisen A säges vara av typ m n, där m är antalet rader

Läs mer

Tentamen i Sannolikhetslära och statistik, TNK069, , kl 8 13.

Tentamen i Sannolikhetslära och statistik, TNK069, , kl 8 13. LINKÖPINGS UNIVERSITET ITN, Campus Norrköping Univ lekt George Baravdish Tentamen i Sannolikhetslära och statistik, TNK69, 26--7, kl 8 3. Hjälpmedel är räknare med tömda minnen samt formelsamling utgiven

Läs mer

Föreläsning 6, Repetition Sannolikhetslära

Föreläsning 6, Repetition Sannolikhetslära Föreläsning 6, Repetition Sannolikhetslära kap 4 Sannolikhetslära och slumpvariabler kap 5 Stickprov, medelvärden, CGS, binomialfördelning Viktiga grundbegrepp utfall, händelse, sannolikheter, betingad

Läs mer

Finansmatematik II Kapitel 3 Risk och diversifiering

Finansmatematik II Kapitel 3 Risk och diversifiering STOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN Avd. för Matematisk statistik Thomas Höglund Version 04 0 8 Finansmatematik II Kapitel 3 Risk och diversifiering 2 Finansmatematik II Risk och diversifiering

Läs mer

Basbyte (variabelbyte)

Basbyte (variabelbyte) Basbyte (variabelbyte) En vektors koordinater beror på valet av bas! Tänk på geometriska vektorer här. v har längden 2 och pekar rakt uppåt i papprets plan. Kan vi då skriva v (, 2)? Om vi valt basvektorer

Läs mer

MSG830 Statistisk analys och experimentplanering

MSG830 Statistisk analys och experimentplanering MSG830 Statistisk analys och experimentplanering Tentamen 15 januari 2016, 8:30-12:30 Examinator: Staan Nilsson, telefon 073 5599 736, kommer till tentamenslokalen 9:30 och 11:30 Tillåtna hjälpmedel: Valfri

Läs mer

P (t) = V 1 (t) V m (t) P (t + t) P (t) P (t) = v j (t)r j (t, t + t), v(t) Q t v(t),

P (t) = V 1 (t) V m (t) P (t + t) P (t) P (t) = v j (t)r j (t, t + t), v(t) Q t v(t), STOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN Avd. för Matematisk statistik Thomas Höglund Version 02 22 RISK OCH DIVERSIFIERING Betrakta en portfölj bestående av m tillgångar som vi här ska kalla aktier.

Läs mer

Repetition, Matematik 2 för lärare. Ï x + 2y - 3z = 1 Ô Ì 3x - y + 2z = a Ô Á. . Beräkna ABT. Beräkna (AB) T

Repetition, Matematik 2 för lärare. Ï x + 2y - 3z = 1 Ô Ì 3x - y + 2z = a Ô Á. . Beräkna ABT. Beräkna (AB) T Repetition, Matematik 2 för lärare Ï -2x + y + 2z = 3 1. Ange för alla reella a lösningsmängden till ekvationssystemet Ì ax + 2y + z = 1. Ó x + 3y - z = 4 2. Vad är villkoret på talet a för att ekvationssystemet

Läs mer

Multiplicera 7med A λ 1 I från vänster: c 1 (Av 1 λ 1 v 1 )+c 2 (Av 2 λ 1 v 2 )+c 3 (Av 3 λ 1 v 3 ) = 0

Multiplicera 7med A λ 1 I från vänster: c 1 (Av 1 λ 1 v 1 )+c 2 (Av 2 λ 1 v 2 )+c 3 (Av 3 λ 1 v 3 ) = 0 Diagonalisering Anm. Begreppet diagonaliserbarhet är relevant endast för linjära avbildningar mellan rum av samma dimension, d.v.s. sådana som representeras av kvadratiska matriser. När vi i fortsättningen

Läs mer

Mat Grundkurs i matematik 3-II

Mat Grundkurs i matematik 3-II Mat-11532 Grundkurs i matematik 3-II G Gripenberg Aalto-universitetet 2 december 21 G Gripenberg (Aalto-universitetet) Mat-11532 Grundkurs i matematik 3-II 2 december 21 1 / 39 1 Ekvationssytem och matrisräkning

Läs mer