2011-01-04, 00:40
  #5209
Medlem
larsis avatar
Citat:
Ursprungligen postat av Red-nuht
Sätt egenvärdet till λ

Ax=λx --> x(A-λI)=0 , där I är identitetsmatrisen:

Eftersom x ska vara nollskild måste matrisen A − λI vara en matris som avbildar vissa vektorer på nollvektorn, med andra ord måste matrisen vara icke inverterbar.(klippt från wiki)

En matris är icke inverterbar omm derminanten är noll.

Det(A-λI)=
|1-λ 2|
|4 -1-λ|=

=(1-λ)(-1-λ)-(4*2)=1(-1-λ)-λ(-1-λ)-8=

=-1-λ+λ+λ^2-8=λ^2-9=0 --> λ^2-9=0 --> λ=±3

Vi ska använda det negativa egenvärdet, alltså λ=-3

Stoppa in värdet i x(A-λI)=0.

x(A-(-3)I)=0 --> x(A+3I)=0

A+3I=

(1+3 2+0) =
(4+0 -1+3)

=
(4 2)
(4 2)

Egenvektorn är den vektor multiplicerat med A+3I som blir lika med noll, vi har fått reda på egenvektorn i talet:

(-1)
( k )

Alltså:

(4 2)(-1)=0
(4 2)( k )

Ger:

(2k-4)=0
(2k-4)

Överbestämt ekvationssystem:

2k-4=0 --> k=4/2=2

Fan vad länge sedan det var jag gjorde det här, fick googla mig fram till hur man gjorde

HAHA bra jobbat du! Jag hade kommit till:

Citat:
(2k-4)
(2k-4)

Men jag fattade inte att man skulle sätta den = 0. Satt och läste mina anteckningar men fick inte ut den ändå.

Många tack till dig!

Ska läsa på lite mer om Överbestämt ekvationssystem:
Citera
2011-01-04, 01:51
  #5210
Medlem
Citat:
Ursprungligen postat av larsi
Överbestämt ekvationssystem:

Oj, tänkte lite för fort där! Det ska givetvis vara underbestämt ekvationssytem.

Överbestämda är raka motsatsen, när det finns fler okända variabler än ekvationer.
Citera
2011-01-04, 02:51
  #5211
Bannlyst
Derivera 3-lnx/2

1/x/2 Är väl samma som x^-1/2 Vad sedan det ger kan jag inte se.

Tack!

Edit: Hjälp.
Citera
2011-01-04, 03:28
  #5212
Bannlyst
Inte någonstans i hela jäkla barnmördarträsket står vad derivatan av y=ln e^x ska vara.

1/e^x

Enligt en sida ska e^x = 1/e^x (d-dx) e^x = 1

I så fall blir det 1/1=1.

Förövrigt förstår jag inte var fan jag ska hitta detta, och hur boken kan ställa det kravet på mig.
Citera
2011-01-04, 03:44
  #5213
Medlem
Otroligs avatar
y(x) = ln(e^x) = x (logaritmlag)

Därmed gäller att y'(x) = 1.
Citera
2011-01-04, 06:25
  #5214
Medlem
Citat:
Ursprungligen postat av Helsingborg2
Inte någonstans i hela jäkla barnmördarträsket står vad derivatan av y=ln e^x ska vara.

1/e^x

Enligt en sida ska e^x = 1/e^x (d-dx) e^x = 1

I så fall blir det 1/1=1.

Förövrigt förstår jag inte var fan jag ska hitta detta, och hur boken kan ställa det kravet på mig.

"barnmördarträsket"



Fick mig ett gott morgonskratt
Citera
2011-01-04, 07:48
  #5215
Medlem
Citat:
Ursprungligen postat av Otrolig
y(x) = ln(e^x) = x (logaritmlag)

Därmed gäller att y'(x) = 1.

Alternativ lösning(kedjeregeln):

h(x) = f(g(x)), f(x) = ln(x), g(x) = e^x

h'(x) = f'(g(x))*g'(x) = e^x*1/e^x = 1

Lite krångligare.
Citera
2011-01-04, 10:03
  #5216
Medlem
muminporrs avatar
Citat:
Ursprungligen postat av dbshw
Du kommer slå dig själv, men du gör fel när du räknar ut l(a) (antar att det är log-likehooden). Borde bli

l(a) = 10 ln(a) + (a-1)Σln(x_i)

eller nåt liknande.

Haha ja! Fruktansvärt dumt av mig, försökte gång på gång men fick samma fel hela tiden…
Citera
2011-01-04, 14:21
  #5217
Medlem
muminporrs avatar
Let X be a r.v. with distribution function F , assume µ = E(X ) is known and σ² = Var(X) is unknown. Derive the plug-in estimator of σ² and show that it is unbiased.

Har feber och precis öppnat kurslitteraturen för mer eller mindre första men har inget annat val än att plugga Har läst lite och hittat följande exempel:

Assume that Χ = ℝ and E(X_i) = θ. Then

θ* = T(F_n) = ∫xdF_n(x) = (1/n)∑x_i

Tror jag förstår det här med den empiriska distributionsfunktionen och estimationen men den sista, fetmarkerade, omskrivningen förstår jag inte riktigt. Nu när jag suttit och läst förstår jag alltså hur jag ska lösa den förstnämnda uppgiften, det är alltså teorin jag inte riktigt förstår.
Citera
2011-01-04, 14:54
  #5218
Medlem
Biggless avatar
http://data.fuskbugg.se/dipdip/isotop.jpg

Någon som kan hur man löser en sån här ekvation?
Citera
2011-01-04, 14:56
  #5219
Medlem
Citat:
Ursprungligen postat av muminporr
Let X be a r.v. with distribution function F , assume µ = E(X ) is known and σ² = Var(X) is unknown. Derive the plug-in estimator of σ² and show that it is unbiased.

Har feber och precis öppnat kurslitteraturen för mer eller mindre första men har inget annat val än att plugga Har läst lite och hittat följande exempel:

Assume that Χ = ℝ and E(X_i) = θ. Then

θ* = T(F_n) = ∫xdF_n(x) = (1/n)∑x_i

Tror jag förstår det här med den empiriska distributionsfunktionen och estimationen men den sista, fetmarkerade, omskrivningen förstår jag inte riktigt. Nu när jag suttit och läst förstår jag alltså hur jag ska lösa den förstnämnda uppgiften, det är alltså teorin jag inte riktigt förstår.


Vad betyder "plug-in estimator"?

Du ska visa att något är väntevärdesriktigt, så långt har jag förstått det men jag är inte van med de engelska beteckningarna

Edit:

Om det betyder parameterskattning så ska du göra så här:

θ* är en skatting på θ som skattas med hjälp av medelvärdet(det är det fetstilta som du undrade över).

Väntevärdet av alla X_i är θ och väntevärdet av ett X är µ.

E((1/n)∑x_i)=1/n*E(∑x_i)=(1/n)*n*µ=µ

Tror jag...
__________________
Senast redigerad av Red-nuht 2011-01-04 kl. 15:01.
Citera
2011-01-04, 14:58
  #5220
Medlem
Citat:
Ursprungligen postat av Biggles
http://data.fuskbugg.se/dipdip/isotop.jpg

Någon som kan hur man löser en sån här ekvation?
Du skall hitta t så att M(t) = 160/2 = 80. Du skall alltså lösa ekvationen 160 e^(-t/90) = 80. Börja med att dividera ekvationen med 160. Logaritmera sedan (ta ln av båda sidor). Sedan borde du kunna ta resten själv.
Citera

Skapa ett konto eller logga in för att kommentera

Du måste vara medlem för att kunna kommentera

Skapa ett konto

Det är enkelt att registrera ett nytt konto

Bli medlem

Logga in

Har du redan ett konto? Logga in här

Logga in