STATISTICAL MEMOIRS. No. 4 August Institute of Mathematics University of Oslo. Noen grensesetninger i. sannsynlighetsregningen.
|
|
- Ingunn Dahlen
- 5 år siden
- Visninger:
Transkript
1 STATISTICAL MEMOIRS Istitute of Mathematics Uiversity of Oslo No. 4 August 1968 Noe gresesetiger i sasylighetsregige. av Grete Usterud Festad.
2 INNHOLDSFORTEGNELSE l. Grese 1 sasylighet 2. Grese 1 fordelig Appediks A Appediks B s. l s. 12 s. 22 s. 25
3 - l ~ Noe gresesetiger i sasyl.ighets:regi~ 1. Grese i sasy~lighet. La vrere e f lge av stolrsticke variable. Det er fl.ere mater a defiere e grese for f lge, og vi skal f rst ta for ass Defii.sjo l. Hvis for chver s>o lim P( lz ~al<d >co s:i.er vi au {Z } har a som grese 1 sas~ghet ~!1 kovergerer mot a 1. sasylighet og vi skriver ell er at {Z } ->oo Z = a {Z } har 11 Hvis Z so. gwes::: i z Z er e stokastisk variabel og sasylighet og skriver = z _)«I (Z ~ z) =:, sj_er vi at La oss se pa oe eksei!!.pler pa f lger av stokastiske variable som kovergerer i sasylighet. Tsjebysjeff's ulikhet (Sverdrup I, s. 6 og s.115) ka ofte brukes t il a bevise koverges i sasy;:llighet Eksempel 1. (Tsjebysjeff's lov om de store tall) x 1 ~ x 2, er uavhegige oed samm.e forvetig?. og varias rr., Sett z ::: : l~~ -;: x. = x i=l i da er if lge Tsjebysjeff's ulikhet Det f lger at lir ->oo P(!Z ~l<s) = 1, dvs. x
4 Eksempel 2 La frihetsgrader. Sett z x =- og vi far ved Tsjebysjeff's ulikhet at z = 1 Eksemel 3 La {c } v-cere e f lge av reelle tall med lim c = c ~--"'--- - Vi skal vj se at lr.ris Z = Z er lim c Z = cz : ~ er side le Z -czl<lc l IZ -Zl+lc ~cl!zl - " P( ~ ~ -czf>e)< P(!c J jz -Zl+ic -c!!zl>e) Sett Da har vi c ;:::: A,'1 13 ell er CC A CB og vid~re P(C) < P(A U B) < P(A) + P(B) Samm.e med ulikhete ovefor gir dette P(!c Z -czl>e)< P(!c l IZ -Zj>E.) +P(jc -cl IZ!~) La M vc:ere slik at le I< M for alle - da f2ir vi P(!c! IZ -ZI> )< P(M IZ -Zj>~) -> o >ro
5 - 3 - side lim Z = Z ~ side Z er e stokastisk variabel, det vil si P( I Z I <. ) = 1 Vi har a vist det vi skulle, emlig at P(lc Z -czl>e) -> o -,-> oo Som et spesialtilfelle far vi at cz = cz hvis z = z. La oss avede dette pa et ytt eksempel, Eks.empel 4. vrere uavhegige og idetisk fordelte N(~,cr) Da er z (? = L (X.-X )2 j=l J a Xz-f'.ordelt med -1 frihetsgrader. If lge Eksempel 2 er oz (se Eksempel 3) z (-l)cr2 = l eller ved a multiplisere med kostate z -:. = cr2 Vi har ogsa at ved a avede Eksempel z - 3 = cr2 med c = - -1
6 - 4 - Altsa er bade z z :.1 og kosistete estimatorer for cr~ Eksempel 1 ka geeraliseres til Setig 1 (Tsjebysjeff) La x 1 t x 2, vrere uavhegige stokastiske variable slik at EX = ~ og var X._ = Ill. (J 2 =l,2, eksisterer, og slik at ar Da er r!. 1 5 X. l i=l I: t;. I = o i=l 1 j 1 i 1 Pt--~X. 'll ~ ]. i=l Bevis. l.._... ~~l - - y:- Ariveder Tsjebyfijeff's I L:cr. 2 UT i=l 1 ~. i<e:)> ]. - e: L~gg m~rke t~l at det ikke forutsettes at 1 ::i..=. 1 ulikhet pa - ) x. + l ar -> q.e~d. i 1 ~ f;i har oe grese ar ->co ' me hvis grese eksisterer' gjelder ::i..=l!j~~l~e~ La f orutsetigee vrere som i Setig 1 og at lim ->Oil} l L t:. i=l 1 I:' -..,, ' da er i L:. x. i=l i = I:..,,. Bevis. Sett og 1 x = - ~ ±;r x.. l Til ehver e:>o fies det e N slik at hvis > N er l~-t;1< 2e: For e: - e:: >N - e: gjelder PC Ix -l;l<e:)>p( Ix-~ l+i~ -~J<e:) = > p( IX - ~ I<!:.. ) + l ar + - t : 2 q.e.d.
7 - 5 - F lgede lemma ka yttes i forbidelse med Koroll~r Lemma Hvis lim E; =E;, ->co omvedte gjelder ikke alltid. sa er lim ->OO 1 - L E;. ;:; E; Det i::l 1 er IE; -~I< e: - La a >N e: Bevis. Til ehver e:>o fies e N slik at bare >N e: e: 1 ri 1 l~ 2:: E;. -E; I= I - C (E;.-o! <- -.L... I E;i. -s I i=l 1 i=l 1 - i=l N 1 e: 1 = - I:: I E;.-E;l+I- L:!E;.-E; I i=l 1 i=n +l 1. e: N l e: < ~ L: I E;. -s I - i=l i -N + e: < e: + e: = 2e: bare er tilstrekkelig stor. At det omvedte ikk.e alltid gjelder, sees av f lgede moteksempel E; = (-l) = 1, 2, Dee f lge har ige grese, - me ' - 1 2m.2m 2m. 1 i= ; = - I: ~ t" =. og 1 2iii+l slik at lim ~ =.->oo Hvis vii Setig 1 q.e.d. forlager at alle x 1, x 2, er idetisk fordelte, ka vi s1 yfe kravet om at variase skal eksistere. Setig 2. (Khitchi) Hvis x 1, x 2, er uavhegige og idetisk fordelte med forvetig E;, er
8 - 6 - X = ~ Dee setige vil ikke bli bevist her. Hvis lesere er kjut med ka.ra.kteristiske fuksjoer, fier ha et ekelt bevis for Setig 2 i f.eks. S.S~lilks :Mathematical Statistics s. 254, ellers ka setige bevises ved elemetrere metoder som i W. Feller : A Itroductio to Probability Theory ad its Applicatios s Eksempel 5, ~, x 2, er uavhegige og idetisk fordelte. Hvis r-te ordes momet eksisterer, sett ;\ = E(X -cl r l 1 L () ~ - ~ (X.-c)r r :i.= Ved a avede setig 2 (eller Eksempel 1 hvis =l,2,... far vi. r ;\~ eksisterer)pa (X -c), ~r L {) r = ;\ r Speeielt gjelder for ; 1) c = o at Pim 1. - l ~ L- X. r - i=l 1 = EX r, og l 2) c = EX = ~ 1 at Setig 3. fuksjo av e variabel og { Slutsk~r) g(x )?lim X = g(x) mris = x g, sa er er e reell kotiuerlig Bevis. Side g er kotiuerlig, er g uiformt kotiuerlig
9 - 7 - i ethvert lukket og begreset itervall, [ -M, +M _] Det vil si at hvis XE L -M' +M J og x E [ -M' +M J sa vil det til ehver E: > firuaes e o > o slik at E Ix -xi < o ~> lg(x ) -e(x)[ < e: E: Dette er ekvivalet ed hvis ls<x )-g(x)i > e:, mu ete Ix -xi >o - -E eller x 4 [ -M,+M J eller x 4 [ -M,+M J Vi f r derfor Lar f rst ->oo lim sup P(jg(X)-g(X) j>e) ~ lim sup P(!X-XI~ oe) + P(!xi > M) + lim sup P(jx I >M) ~ P(!Xl>M) + P(IXI> ~) (se Appediks A, setig 2(ii) og Setig 1), side medf rer at lim P(jx I > M)< P( jxj > M ),... 2
10 - 8 - Ulikhete gjelder for alle M > o, vi ka derfor la M ->oo < lim sup P( le<x ) -g{x) I >e:) < lim P(!xi > M) + lim P(!xi > M) = - M ->oo M ->co 2 Altsa eksisterer lim ll ->OO P(jg(X ) -g(x)_i >e:) - - og er lik o. q.e.d. Setig 3 ka geeraliseres til at g er e reell kotiuerlig fuksjo av flere variable. Beviset gar som for e variabel. k variable, og Set1. g 3* Hv1 s g er e reell kot1uerl1g fuksjo av x(j) = x(j) sa er...,x ) = ' j = 1,2,, k g(x(l) (k) (1) (k)) g(x,,x ' Legg merke til at det ikke er sagt oe om at x(l),,x(k) skal vrere stokastisk uavhegige. (X Eksempel 6. +Y ) = X + Y Hvis X = X og Y - - og X y = X Y = Y, er X 2 = x2 ' Eksempel 7. La x 1,x 2,, vrere uavhegige og idetisk fordelte med forvetig ~. Sett Vi skal vise at µr = E(Xl - ~)r M () = 1 \ (X.-X )r r i=l i M () r = Dette f lger lett av Eksempel 5 og Setig 3*,hvis vi skriver M ()~pa e r
11 ae mate : 1-1~ k ""'- i=l (X. ]. -F).,, 1 ' i=l = - ) M () = pli~ r - L (x -s) 1..E._ k. 1 i=... Spesiel t for r = 2 far vi. l ~ ( -,z : - L. X. -X; = i=f 1 var JS.., Eksempel 8. Ata at (X 1,Y 1 ),(X 29 Y 2 )~ er uavhegige og idetisk fordelte og at EX1, EY1,EX 1 2,EX1 Y 1 ~ EI2 eksisterer :::: a blir o~e brukt som estimator for cov(x 1,Y 1 )
12 - 1 - Vi ser at R er e kotiuerlig fuksjo av a, b,c I Eksempel 7 fat vi at b = var ~ c = var v "'"1. og a = r 1. I -1 i I -LX.Y. l i ved avedelse av Setig 2. Setig 3* gir a a cov (~, yl) R = = y b c) \j ve.r x 1 o V[.tr Y~ = p Av at z = a er det fristede a trekke de slutig at hvis EZ eksisterer ma lim EZ = a. At dette ikke er riktig ser vi av f lgede moteksempel : {a } er e f lge av positive reelle tall med lim a = a, og sasylighetsfordelige for Z er gitt ved P(Z = a ) 1 = - P(Z = o) = 1 l- Vi fier at lim EZ = lim a = a Hvis f lge for alle, {a. } er slik at o vil for alle E, < a e:"<c, > c >
13 - 11 ~ P(!Z j<e) :::: P(Z de:b vil s i at = o) = l -! -> 1 ->co plir z = L.m Hvis a = f&r VJ. = "' i og hvis lir. EZ :::: 1, 'Ues z = 1. J; begge tilfelle Vi har imidlertid f lgede Hvis li:1 Z ~ 11 P(jz l<a) =l for alle, er - EZ = a og lim EZ = a,., '"" = 1 far Vl Bevis. At a at Z er absolutt kotiuerlig fordelt med sasylighets tetthet f (beviset gar pa tilsvarede mate hvis z er diskret fordelt). jez -a! = (,,.. \ (z-a) f(z)dz!.::_ \ 1z-3.lf 11 (z)dz.._,.' 1 1' r- i ::: \lz-al rz-al <E f (z)dz,r + J lz~-a!f(z)dz!z-al>e < E P(jz -al< E) + (A +lal) P ( IZ -al>e) - Vi ser at bare er stor ok ka vi fa h yre side < 2 E q.e.d. Eksempel 9. X.,X,, ~..!. '- er uavhegige og idetisk fordelte med P(X. = 1) = p J P(X. = o) = l~p J Da er (Eksempel 1) x p Hvis g er e reell kotiuerlig fuksjo a [ o,1 J, er
14 ~ 12 - plir g(x ) = g(p) (Setig 3) og P(!g(X )I< A)= l - hvis A - sup!g(p)i ri Setig 4 gir da &:, lim ~ j" 'O ( lim E g,x - ) ~ti) B\ (~ ),) - =, ) g\p l ~ ell er pj(l~p)-j :::: g(p) Det ka. vises at grese er uiform i p ; dette kalles Weierstrass' apprksimerigssats. 2. Grese i fordelig. Vi skal 3, se pa e ae type koverges av e f 1ge {Z } av stoko.stiske vari::,le. Sasylir~hctsfordeli,r,;e til e stokastisk variabel X beteger vi med FX. Defiisjo 2. Hvis lir ->ro "fi' ( \ -z x) for alle kotiuitetspukt til Fr.~ sier vi at {Z } kovergerer mot Z '(, l1 i fordelig.f~ kalles f lges grese-fordelig. LJ Deter to tig a legge merke til i dee defiisjoe :Ii) vi forlager at FZ skal kovergere ot e sasylighetsfordeligs(ii) me bare for de pukter hvor F' er kotiu2rlig. z Hvis Z er rektagulrert fordelt [ o ~ J s er 1 x < :x I =-:- i ' o < x <
15 og lim F 17 (x) = o for - < x < co "-' me dette er ige sasylighetsfordelig. Det er slike tilfelle (i) utelukker. Pa. de ae side sker vi heller ikke 2. vczre for strege i skulle kovergere 17 '7 for alle x, ville ikke f lge "-'1 >"-'2 hvor z er ormalfordelt ~ vare krav til koverges. Hvis Vl had de forlagt at F '7 LJ (o,cr )~=l,2, og lim o = o komrergere i fordelig. Vi far emlig r i 1 hvis x > i I x 1 (x) :::: Fz G(- )-> ~ hvis x = O"i1 I 2 I l I hvis x < me fuksjoe pa h yre side er ige sasylighetsfordelig, fordi de ikke er kotiuerlig fra h yre i x = o (se E.Sverdrup, I, s.91) Derimot er \ 1 hvis x > o F(x) = ~ L o hvis x < o e sasylighetsfordelig og lim F 2 (x) = F(x) for alle kotiuitetspukt til (F er sasylighetsfordelige til e sikker variabel P(Z=o) = 1) F. Setig 5. Hvis f lge zl~ z2, kovergerer i sasylighet mot z, sa kovergerer f lge ogsa i fordelig mot z. Bevis. Vi ma vise to tig : (i) lim kotiuitetspukt for F 2 ~ og (. ~ ) l.j.., lim Fz (x) La x vrere et kotiuitetspukt for F (x) eksisterer i alle z., = F. z F' ( ' '7 XI LJ
16 - 14-1) x < x = P(Z < x' (! Z < x ) + P(Z < x." - o - < P(Z < x) + P(!Z _zl> x ~x') ID. - I z > x ) o F z (x) + P(lz -ZI> x -x 1 ) o o Tar sa lim if pa bcgge sider I I l.;.,,, I ( ).w.u if ) Fz x + P(IZ-Zl>x-x 1 )! o _J ' < lim if F.., (x) '-' + lim sup P( l z -Z I> x -x! ) o = lim if F~ (x ) L.J 2) x 11 > x l-fz(x 11 )= P(Z>x 11 ) = P( z > x, 1 z > x ) + PCz > x 1 1 z < x ) o - o < pfz > x) + P(lz -z 1~ > x''-x) ' o o dvs. H' (--'') > ~ z.a Z o Tar sa lim sup pa begge sider o F (x ) - P( I Z -Z I> x' 1 -x ) F (x 11 ) > z lim sup Jl lim P(!z -Zl>x 11 -x) o = lim sup Tilsa..mme gir 1) og 2) < lim if < ~...1.:Lm sup wz ( x ) < F (x") z
17 Side Fz er kotiuerlig i x, far ka vi la x' t x og x I I + x og V1 Fz(x ) = lim if Fz (x ) = lim sup FZ (x ) Det vil si at eksisterer og er lik FZ(x ) q.e.d. F lge.1de eksempel viser at omvedige av Setig 5 ilae gjelder : La Z, z 1, z 2,.. vrere uavhegige og idetisk ormalfordelte (o,l) Det er klart at z 1, z 2, kovergerer mot Z i fordelig, me P(IZ -Zl<e:) -- G{ E ) - G ( 12"1 - _ ) 12' slik at lim P( I z -Z I <E ) < 1 Hvis z er e sikker variabel, P(Z = a) = 1, beteger vi sa...~sylighetsfordelige for F (x) a I dette spesielle tilf elle Z med F, dvs. a \ l hvis x > a =..( l I ' hvis x <a \_ $jelder Setig 6. F lge z 1, z 2,.. kovergerer mot a 1 sasylighet hvis og bare hvis f lge kovergerer mot a i fordelig. Bevis. Pa gru av Setig 5 beh ver vi bare vise at hvis lim Fz (x) = F (x) a for alle x +a sa er Z = a P(jz -al<e:) > P(jz -al< )_> P{a. - < z <a+ - = = Fz (a + ~) F (a - ) ---> l - o = l z 2 q.e.d. ''.
18 ka kombieres. Vi skal se oe eksempler pa hvorda Setig 3~ cg Setig 5 sa er Eksempel lo. Hvis X = X: og y - Y, lira Fx +Y = og lim rl Hvis spesielt Y er e sikker variabel 1) y = lim FX +Y = -x ti' 2) y = 1 lim FX = FX oy Setig 7. (Cramer) La x 1 x 2,.. og Y 1, Y 2,... vrere to f 1ger av stokastiske variable. Hvis (X-Y) = og ~,x2,. kovergerer i fordelig~ sa kovergerer Y 1,Y 2, i fordelig og grese-fordelige for {Y } er lik grese-fordelige for {X }. Bevis. Sett Z = X -Y,=l,2~ ~ og la F vrere grese La y vrere et kotiuitetspukt for F 1) La y 1 > y vrere et kotiuitetspukt for F = P(Y < y ) - o = P(X < y + Z ) - o = P(X < y + Z () Z < y' - y ) + P(X < y + Z () Z > y'- y ) -o o -o - o < P(X < y') + P(Z > y'- y) o Tar lim sup pa begge sider < lim sup FX (y') + lim suu P(Z > y 1 -y ) = F(y') - - o 2) La y''< y were et kotiuitetspukt for F
19 l ~ FY (y ) ~ P(X > y + Z ) _ o o :::: P(X > y + Z r' Z < - (y -y 1 {))+ P(X >y +Z r~ Z > -(y -y 11 )) o 1 - o o 1 o < P(Z < -(y =Y'')) + P(X > y'') - - o dvs. F (y) > - P(Z < - (v ~1r 11 )) + F-,v- (y 11 ) Y o - ~o.j 11. Tar li~ if pa begge sider lim if Fv (y ) > - lim sup P(Z < - (y -y 11 )) + lim if. - o Tilsa.mme gir 1) og 2) Fx (y,,) ~- F(y,,) F(y") < li:ru. if FY (y ).::_ lim sup FY (y ) < - F(y I ) I Ap:pediks B blir det vist at e sasylighetsfordelig ka ha h yst et tellbart atall diskotiuitetspukt. Altsa fies det f lger av kotiuitetspukt for F {.,,. 1 ' } og {y ' } slik at ' " ' og y' ~ y og vi far at lim FY (y ) eksistere.r og er lik F(y ). q.e.d. Ek.sempel 11. x 1 ~ x 2, er uavhegige og idet i sk. ormalfordel t e ( i;,1 ) Vi vet a priori at i; > o, og skal fie e estimator for.;., ~ :::: x "' komme til a estimere.; er e forvetigsrett estimator og pl~ ~ = ~~ - me de ka uheldig, og i stedet foreslaes estim.atcre som er posit.iv med et egativt tall. Dette asees som
20 r;* I = -; i I l - ( - hvis x ' :x > hvis x - t_ < Vi if rer fuksjoe g defiert ved hvis u > o g(u) = hvis u < o g er opplagt kotiuerlig. If lge Setig 3 er da s~ = g (x )= g(s) = s side s > ' slik at ogsa s* er kosistet Selv om s og ikke forvetigsrett fordelige. s* har forskjellige egeskaper for edelige f. eks. ), sa skal vi vise at de har samme grese-fordeliger' A Vi vet at.f""i (s - s) er N(o,l),og dette er altsa ogsa grese Hvis vi ka vise at f lger av Setig 7 at ogsa vi er fremme. /Il (s* - s) har gresefordelige N(o,l) og Vi if rer e y stokastisk variabel I I = -< \ (1 hvis x > I hvis x < I ' ved Side er "' I (1-I ) s
21 E fi~er for E < l P(I =l) 1 8.r ->co slik at. :J ~c...c pli:m r (l~i } = If lge Setig...-*..P~- e a.t. rr; (1-I ) 6 A ~ = l; - F lgede t.o aet;iger er ofte yttige for avedelse av Setie 7: Y = o, er Setig 8. Hvis {X } kovergerer mot X i fordelig og hvis x G y O": Bevis. P( IX y I> ) = :u - P( Ix Y I> - Ix I > M) < P (! Y I > ) + P ( I x I >M) - -M La -+ co :lim :;KO deretter M-+ oo P( IX y l>d < P(!XI> M), - - lim P(jX Y j>e) = o - -+oo q.e.d. Legg merke til at vi 1 Setig 8 ikke ka erstatte Y = o med Y = a. Vi har f.eks. at f lge idetisk fordelte N(o,l) kovergerer i Y = a, fordelig, og at f lge = 1,2, kovergerer i sasylighet, me f lge (X Y } kovergerer ikke i sasyligheto {y } b:vor Setig 9. (Scheffe) La {X } vrere e f lge av stokastiske variable hvor X har sasylighetstetthet f Hvis lim f (x) = f(x) for(este) alle x og hvis ogsa f er e sasylighetstetthff~, sa er
22 - 2o - lim x f - co f (t )dt x f - f( t )dt dvs. f at {X } kovergerer i fordelig mot e stokastisk variabel X som har som sasylighetstetthet. Bevis for dee setige fi".les f.eks. i C.R.Rao: Liear Statistical Iferece ad Its Applicatios, s. lo~ - lo5. _:sempe EE La x 1,x 2 ~ vrere uavhegige og idetisk fordelte N(o~l) Da er T x / Studetfordelt med - l frib.etsg-rader o Vi har tidligere (Eksempel 2) vist at z -1 = l ved Setig 3 far vi at (, 1i:l..:i:\,. ~-z- - lj ::: X I er N( o ~l) 9 og det f lger at X /ri" kovergerer i fordelig mot e stokastisk variabel X med sasylighetsfordelig G (de kumulative ormalfordelig (o,l)) If lge Setis 8 er (T X I) = -1 -z- - i) x r = o og ved Setig 7 far vi at T og X I har samme gresefordelig s dvs. lim P(T < t) = - lim ~ ( t) ::: G(t)
23 Eksempel 13. (Se E. Sverdrup I~s.148) ~,x 2, er uavhegige og idetisk fordelte stokastiske variable med sasylighetstetthet f og sa..."lsylighetsfordelig F. La ]J vrere mediae i fordelige, og Y mediae for (X 1,,X) Vi skal vise at ( y - µ ) 2 I +2 f ( µ ) har gresefordelig N(o,1) Vi lar = 2:m + 1, OB fier at Z = F(Y ) har sasylighetstetthet r (2r1 + 1)! m z{l-z) I ~ '- -' < z < 1 1 Sid e EZ = 2 og var Z = 1 4(+2'") gir Tsjebysjeff 1 s ulikhet z = ~ F ekel trasform.asjo av stokastisk variabel medf rer at W = (Z - ~) 2l+2 har sasylighetstetthet k (w) (2m +l)! m! m! 1 212m+3 (1 - )m,-:) T..J Ved bruk av Stirlig's form el f8.r e 1 lim k (w) = -- -;.co r;_~c: f, w2 e -2 W har altsa erese-fordelig N(o,l) (Setig 9) Na er,.l ' z, > a.,.,,-1(, ) I T -2,~-L4 z z* ' dz z = hvor (Z - ~)
24 Si de I'"'* l.j - ~I < lz - ~I -, far vi e:) > p(!z - ;1 < E) ' - -+oo dvs.. * 1 Z = 2 Videre er y :::: µ + l = ~----- f(f"~1(z)} Vi ser pa og dermed (Y - µ) 2/ii+2 1 f'(µ) - w Si de 1 og W har e gresefordelig f lger av Setig 8 at pl?fi ( y µ ) 2&2' f ( jj ) - w :::: og der1ed av Setig 7 at (Y - µ)2/+2 1 f(µ) har samme gresefordelig som W, emlig N(o,l) A;ppediks A. La {a } v"cere e f lge av reelle tall. Det er kj et at f lge kovergerer mot a (!al < ) hvis det til e~hver e: > o fiues et tall N e: slik at > N - e: impliserer la - al < E:, og vi skriver lim a = a Me lim a eksisterer ikke for alle tallf lger. Det er derfor hesiktsmessig a if re to ye gresebegrep~ l~sup a og lillhif a, som if lge defiisjoe edefor alltid vil eksistere. Defiisjo liffi:sup a 11 = A hvis fra et visst 1) alle a er < A+e: ~ og N E av
25 - 23 ~ 2) uede.lig mage Hvis 1) ikke er oppfylt settes lim sup :J. = +co Hvis 1), me ikke 2) er oppfylt settes lim sup a -- -oo., - a er lim if a - - lim sup (~a ) N E av Det er J.ett a S'.; at hvis lim if a :;:: B ~I BI< ' vil fra et vis st --') 4) alle a vrere > B-E, og uedelig mage a vrere < B+t: Forholdet mellom lim ~ lim sup og lim if er gitt ved lim if a I dette tilfelle er {a } kovergerer hvis og bare hvis lim sup a og er like og edelige lim s, = lim sup a = lim if a Bevis Ata at lim a = a. Da vil, bare... er st or ok, a + E < a < a - Me if lge defiisjoe av l:itj. sup og lim if lim sup a ::: a = lim if a ma Ata sa at lim sup a ::: lim if a defiisjoe av lim sup vil, bare 1) alle a < a + E = a er stor o.::t~ og la! < co If lge og if lge defiisjoe av lim if vil, bare er stor ok ' det vil 3) al le a > a - si at fra et visst E N e: ' av er altsa a - E < a < a + E lim a = a q.e.d.
26 ( i) lim if a < lim sup a - I \ :... ) lim if a + lim if b < lim if (a+ b ) < lieu if a + - lim sup b < lim sup(a +b) < lim sup a + lim sup b (iii) Evis sa er lim if a < lim if b orr lim su a < lim su b -,_, ~ - "" Ata a,t A < B. Bevis. ( i) Sett B = lim if a Bare er stor ok er og A = lim sup a alle a < A + E og 11 alle a > B - E me dette er umulig hvis f.eks. s B-A = 3 > o. (Teg figur!) Altsa ma sarme mate. at A + B (ii) Vi beviser de f rste ulikhete~ beviset for de ad.re gar pa A > B Sett A = lim if a s B = lim if b og c = lim if (a +b )..At a > c. Vi ka velge E: = (A+B)-C -4- og vet at bare er st or ok er det vil si at alle alle a > A - e: b > B - e: or; alle a + b > A + Cl - 2e:. SamtidiG skal uedelig mage a+ b < C - e::, me dette er umulig(teg figur! ).Altsa ma A+B < C, (iii) Sett lim ilf b = A og lict if b =Bo Ata at A>B og velg A - B = Vi vet at bare er stor ok er 3 alle b < B+E: og
27 for alle mate. uedelig mage a > A - E: 11 Be dette er 1JID.ulig side a < b -. Altsa ma. A < B. De adre ulikhete bevises pa tilsvarede q.e.d. AE."eeaj._ks I?.:._ Vi skal her vide E sa~s~plighetsfordelig F har h yst e~tell~art atall ~c::1t i~,ui tet sp2:!lt!.:_ Bevis. La D = { x!f(x) - F(x-) > 1 }, = 1)2,, 11 1 dvs. at D er megde av a:le diskotiuitetspukt sor har sprag > - - Det er klart at atall elemeter i D h yst er lik, side F( +oo) - F(-co):::l. Yidere er D"' D U :> l megde av alle diskotiuitetspukt for F, sor altsa h yst bar et tellbart atall elemeter. g_.e.d. GUF/elr Aug.1968.
ÅMA110 Sannsynlighetsregning med statistikk, våren Kontinuerlige tilfeldige variable, intro. Kontinuerlige tilfeldige variable, intro.
ÅMA Sasylighetsregig med statistikk, våre Kp. 4 Kotiuerlige tilfeldige variable; Normalfordelig Kotiuerlige tilfeldige variable, itro. (eller: Kotiuerlige sasylighetsfordeliger) Vi har til å sett på diskrete
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren Kontinuerlige tilfeldige variable, intro. Kontinuerlige tilfeldige variable, intro.
ÅMA0 Sasylighetsregig med statistikk, våre 008 Kp. 4 Kotiuerlige tilfeldige variable; Normalfordelig Kotiuerlige tilfeldige variable, itro. (eller: Kotiuerlige sasylighetsfordeliger) Vi har til å sett
DetaljerMer om utvalgsundersøkelser
Mer om utvalgsudersøkelser I uderkapittel 3.6 i læreboka gir vi e kort iførig i takegage ved utvalgsudersøkelser. Vi gir her e grudigere framstillig av temaet. Populasjo og utvalg Ved e utvalgsudersøkelse
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2007
ÅMA0 Sasylighetsregig med statistikk, våre 007 Kp. 4 Kotiuerlige tilfeldige variable; Normalfordelig Kotiuerlige tilfeldige variable, itro. (eller: Kotiuerlige sasylighetsfordeliger) Vi har til å sett
DetaljerKLMED8004 Medisinsk statistikk. Del I, høst Estimering. Tidligere sett på. Eksempel hypertensjon
Tidligere sett på KLMED8004 Medisisk statistikk Del I, høst 008 Estimerig Hvorda kjete sasylighetsfordeliger (biomialfordelig, ormalfordelig) med kjete populasjosparametrer (forvetig, varias osv.) ka gi
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren Kontinuerlige tilfeldige variable, intro. Kontinuerlige tilfeldige variable, intro.
ÅMA Sasylighetsregig med statistikk, våre 6 Kp. 4 Kotiuerlige tilfeldige variable og ormaldelige Kotiuerlige tilfeldige variable, itro. (eller: Kotiuerlige sasylighetsdeliger) Vi har til å sett på diskrete
DetaljerTMA4245 Statistikk Eksamen mai 2017
TMA445 Statistikk Eksame mai 07 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Løsigsskisse Oppgave a Når vi reger ut disse tre sasylighetee må ma huske på at de mulige verdiee
DetaljerForelesning 4 og 5 Transformasjon, Weibull-, lognormal, beta-, kji-kvadrat -, t-, F- fordeling
STAT (V6) Statistikk Metoder Yushu.Li@uib.o Forelesig 4 og 5 Trasformasjo, Weibull-, logormal, beta-, kji-kvadrat -, t-, F- fordelig. Oppsummerig til Forelesig og..) Momet (momet about 0) og setral momet
DetaljerTMA4240 Statistikk Høst 2016
Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Abefalt øvig 8 Løsigsskisse Oppgave 1 a) Simuler 1000 datasett i MATLAB. Hvert datasett skal bestå av 100 utfall fra e ormalfordelig
DetaljerForelesning Moment og Momentgenererende funksjoner
ushu.li@uib.o Forelesig + 3 Momet og Mometgeererede fuksjoer 1. Oppsummerig til Forelesig 1 1.1) Fuksjoe av S.V: hvis variabele er e fuksjo (trasformasjo) av S.V. : g( ), da er også e S.V.: til ethvert
DetaljerEcon 2130 Forelesning uke 11 (HG)
Eco 130 Forelesig uke 11 (HG) Mer om ormalfordelige og setralgreseteoremet Uke 1 1 Fra forrige gag ~ betyr er fordelt som. ~ N( µσ, ) E( ) = µ, og var( ) = σ Normalfordelige er symmetrisk om μ og kotiuerlig
DetaljerLøsningsforslag for andre obligatoriske oppgave i STK1100 Våren 2007 Av Ingunn Fride Tvete og Ørnulf Borgan
Løsigsforslag for adre obligatoriske oppgave i STK11 Våre 27 Av Igu Fride Tvete (ift@math..uio.o) og Ørulf Borga (borga@math.uio.o). NB! Feil ka forekomme. NB! Sed gjere e mail hvis du fier e feil! Oppgave
DetaljerKonfidensintervall. Notat til STK1110. Ørnulf Borgan, Ingrid K. Glad og Anders Rygh Swensen Matematisk institutt, Universitetet i Oslo.
Kofidesitervall Notat til STK1110 Ørulf Borga, Igrid K. Glad og Aders Rygh Swese Matematisk istitutt, Uiversitetet i Oslo August 2007 Formål E valig metode for å agi usikkerhete til et estimat er å berege
DetaljerLØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4245 STATISTIKK 6.august 2004
Norges tekisk aturviteskapelige uiversitet Istitutt for matematiske fag Side av 0 LØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4245 STATISTIKK 6.august 2004 Oppgave Midtveiseksame a) X er e stokastisk variabel
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2011
ÅMA0 Sasylighetsregig statistikk våre 0 Kp. 4 Kotiulige tilfeldige variable; Normalfordelig Kotiulige tilfeldige variable itro. (ell: Kotiulige sasylighetsfordelig Vi har til å sett på diskrete fordelig
DetaljerMA1102 Grunnkurs i Analyse II Vår 2017
Norges tekisk aturviteskapelige uiversitet Istitutt for matematiske fag MA2 Grukurs i Aalyse II Vår 27 Løsigsforslag Øvig 7 2.5: For hvilke x kovergerer rekke? b) (2x) c) (l x) e) 2 si x 2 b) Dette er
DetaljerLØSNINGSFORSLAG TILEKSAMEN I FAG TMA4240/TMA4245 STATISTIKK 10. august 2005
Norges tekisk aturviteskapelige uiversitet Istitutt for matematiske fag Side av 8 LØSNINGSFORSLAG TILEKSAMEN I FAG TMA440/TMA445 STATISTIKK 0. august 005 Oppgave Smeltepuktsbestemmelse a) Vi jobber i dette
Detaljer8 + 2 n n 4. 3n 4 7 = 8 3.
Seksjo 4. Oppgave (). Fi greseverdiee: 8 a) 4 + 4 7 b) 4 +7 5 c) + 7 4 ( ) d) 5 4 44 + 5 4 e) 5 + si() e +6 5 Løsig. Vi vil bruke samme metode som i Eksempel 4..5 fra boke i disse oppgavee. Når vi skal
DetaljerEstimering 1 -Punktestimering
Estimerig 1 -Puktestimerig Dekkes av kap. 8, 9.1-9.3 og 9.15/9.14. Vi har til å settpå e rekke forskjellige sasylighetsfordeliger og sett hvorda disse ka brukes til å modellere mage forskjellige typer
DetaljerTALLSVAR. Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i << >>.
1 ECON130: EKSAMEN 013 VÅR - UTSATT PRØVE TALLSVAR. Det abefales at de 9 deloppgavee merket med A, B, teller likt uasett variasjo i vaskelighetsgrad. Svaree er gitt i
DetaljerIntroduksjon. Hypotesetesting / inferens (kap 3) Populasjon og utvalg. Populasjon og utvalg. Populasjonsvarians
Hypotesetestig / iferes (kap ) Itroduksjo Populasjo og utvalg Statistisk iferes Utvalgsfordelig (samplig distributio) Utvalgsfordelige til gjeomsittet Itroduksjo Vi øsker å få iformasjo om størrelsee i
DetaljerEstimering 1 -Punktestimering
Estimerig 1 -Puktestimerig Dekkes av kap. 8, 9.1-9.3 og 9.15/9.14. Vi har til å settpå e rekke forskjellige sasylighetsfordeliger og sett hvorda disse ka brukes til å modellere mage forskjellige typer
DetaljerEcon 2130 uke 15 (HG) Poissonfordelingen og innføring i estimering
Eco 130 uke 15 (HG) Poissofordelige og iførig i estimerig 1 Poissofordelige (i) Tilærmig til biomialfordelige. Regel. ( Poissotilærmelse ) Ata Y ~ bi(, p) E( Y ) = p og var( Y ) = p(1 p). Hvis er stor
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-aturviteskapelige fakultet Eksame i: STK11 Sasylighetsregig og statistisk modellerig. LØSNINGSFORSLAG Eksamesdag: Fredag 9. jui 217. Tid for eksame: 9. 13.. Oppgavesettet
Detaljer) = P(Z > 0.555) = > ) = P(Z > 2.22) = 0.013
TMA4240 Statistikk Vår 2008 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer b5 Løsigsskisse Oppgave 1 a) X 1,...,X 16 er u.i.f. N(80,18 2 ). Setter Y = X. i) P(X 1 >
DetaljerTMA4245 Statistikk Eksamen august 2015
Eksame august 15 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Løsigsskisse Oppgave 1 a asylighetee blir og X > Z > 1 1 Z 1 Φ.3,.5 W > 5 X + Y > 5 b Forvetet samfuskostad blir
DetaljerHØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi
HØGSKOLEN I SØR-TRØNDELAG Avdelig for tekologi Målform: Bokmål Eksamesdato: 19 des. 2014 Varighet/eksamestid: Emekode: 3 timer TALM1005 Emeav: Statistikk og Økoomi statistikkdele Klasser: Logistikk 1 Kjemi
DetaljerTMA4240 Statistikk Høst 2015
Høst 205 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer, blokk II Løsigsskisse Oppgave a) X bi(, p) fordi: Udersøker uavhegige delar av DNA-strukture. Fi for kvar del
DetaljerMA1101 Grunnkurs Analyse I Høst 2017
Norges tekisk aturviteskapelige uiversitet Istitutt for matematiske fag MA0 Grukurs Aalyse I Høst 07 Løsigsforslag Øvig..b) Vi skriver om 7 = 4 4 7 Korollar.. gir at 7 4 er irrasjoal (side vi vet 7 4 er
DetaljerLøsningsforslag Oppgave 1
Løsigsforslag Oppgave 1 a X i µ 0 σ X i µ 0 2 σ 2, i 1,..., er uavhegige og stadard N0, 1 fordelte. Da er, i 1,..., uavhegige og χ 2 -fordelte med e frihetsgrad. Da er summe χ 2 -fordelt med atall frihetsgrader
DetaljerVi skal hovedsakelig ikke bestemme summen men om rekken konvergerer. det vil si om summen til rekken er et bestemt tall
Kapittel 8 Oppsummerig-Rekker Rekker er summe til edelig eller uedelig mage ledd i e tallfølge. Potesrekker ka beyttes til å uttrykke vaskelige fuksjoer om et pukt. Ma ka skreddesy potesfuksjoer ved hjelp
DetaljerHØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi
HØGSKOLEN I SØR-TRØNDELAG Avdelig for tekologi Målform: Bokmål Eksamesdato: 5 jui 2015 Varighet/eksamestid: Emekode: 3 timer TALM1005 Emeav: Statistikk og Økoomi statistikkdele Klasser: Logistikk 1 Kjemi
DetaljerH 1 : µ 1 µ 2 > 0. t = ( x 1 x 2 ) (µ 1 µ 2 ) s p. s 2 p = s2 1 (n 1 1) + s 2 2 (n 2 1) n 1 + n 2 2
TMA4245 Statistikk Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer b4 Løsigsskisse Oppgave 1 Vi øsker å fie ut om et ytt serum ka stase leukemi. 5 mus får serumet, 4
DetaljerLØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4240 STATISTIKK 5.august 2004
Norges tekisk aturviteskapelige uiversitet Istitutt for matematiske fag Side av 0 LØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4240 STATISTIKK 5.august 2004 Oppgave Foruresig X er e stokastisk variabel som agir
DetaljerECON240 Statistikk og økonometri
ECON240 Statistikk og økoometri Arild Aakvik, Istitutt for økoomi 1 Mellomregig MKM Model: Y i = a i + bx i + e i MKM-estimator for b: b = = Xi Y i 1 Xi Yi Xi 1 ( X i ) 2 (Xi X)(Y i Ȳi) (Xi X) 2 hvor vi
DetaljerKapittel 7: Noen viktige sannsynlighetsfordelinger
Kapittel 7: Noe viktige sasylighetsfordeliger I mage situasjoer ka feomeet vi ser på beskrives med e bestemt type sasylighetsfordelig e sasylighetsfordelig gitt ved e bestemt formel. Vi skal se på oe av
DetaljerKapittel 8: Estimering
Kaittel 8: Estimerig Estimerig hadler kort sagt om hvorda å aslå verdie å arametre som,, og dersom disse er ukjete. like arametre sier oss oe om oulasjoe vi studerer (dvs om alle måliger av feomeet som
DetaljerNoen vanlige. Indikatorfordeling: 1, dersom suksess. I mange situasjoner kan fenomenet vi ser på. 0, dersom ikke suksess
Kapittel 5: Noe valige sasylighetsfordeliger I mage situasjoer ka feomeet vi ser på beskrives med e bestemt type sasylighets- fordelig (e sasylighetsfordelig gitt ved e bestemt formel. Vi skal se på oe
DetaljerUkeoppgaver i BtG207 Statistikk, uke 4 : Binomisk fordeling. 1
Ukeoppgaver i BtG20 Statistikk, uke 4 : Biomisk fordelig. 1 Høgskole i Gjøvik Avdelig for tekologi, økoomi og ledelse. Statistikk Ukeoppgaver uke 4 Biomisk fordelig. Oppgave 1 La de stokastiske variable
DetaljerLØSNING, EKSAMEN I STATISTIKK, TMA4240, DESEMBER Anta at sann porøsitet er r. Måling med utstyret gir da X n(x; r, 0,03).
LØSNING, EKSAMEN I STATISTIKK, TMA440, DESEMBER 006 OPPGAVE 1 Ata at sa porøsitet er r. Målig med utstyret gir da X (x; r, 0,03). a) ( ) X r P(X > r) P 0,03 > 0 P(Z > 0) 0,5. ( X r P(X r > 0,05) P 0,03
Detaljer0.5 (6x 6x2 ) dx = [3x 2 2x 3 ] 0.9. n n. = n. ln x i + (β 1) i=1. n i=1
Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer 9, blokk II Løsigsskisse Oppgave a The probability is.9.5 6x( x dx.9.5 (6x 6x dx [3x x 3 ].9.5.47. b The likelihood fuctio
DetaljerST1201 Statistiske metoder
ST Statistiske metoder Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Løsigsforslag - Eksame desember Oppgave a) Dette er e ANOVA-tabell for k-utvalg med k 4 og j 6 for j,,3,4.
DetaljerPolynominterpolasjon
Polyomiterpolasjo Ae Kværø March 5, 2018 1 Problemstillig Gitt + 1 pukter (x i, y i ) i=0 med distikte x-verdier (dvs. x i = x j hvis i = j). Fi et polyom p(x) av lavest mulig grad slik at p(x i ) = y
DetaljerKapittel 5: Tilfeldige variable, forventning og varians.
Kapittel 5: Tilfeldige variable, forvetig og varias. Tilfeldige variable Tilfeldige variable kalles også stokastiske variable. Defiisjo: E tilfeldig variabel er e variabel som får si umeriske verdi bestemt
DetaljerOppgave 1 Hardheten til en bestemt legering er undersøkt med åtte målinger og resultatene ble (i kg/mm 2 ) som i tabellen til høyre.
EKSAMEN I: ÅMA110 SANNSYNLIGHETSREGNING MED STATISTIKK VARIGHET: 4 TIMER DATO: 28. AUGUST 2010 BOKMÅL TILLATTE HJELPEMIDLER: KALKULATOR: HP30S, Casio FX82 eller TI-30 OPPGAVESETTET BESTÅR AV 3 OPPGAVER
DetaljerUNIVERSITETET I OSLO
UIVERSITETET I OSLO Det matematisk-aturviteskapelige fakultet Eksame i: ST 105 - Iførig i pålitelighetsaalyse Eksamesdag: 8. desember 1992 Tid til eksame: 0900-1500 Tillatte hjelpemidler: Rottma: "Matematische
DetaljerTMA4245 Statistikk Eksamen 9. desember 2013
Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag TMA4245 Statistikk Eksame 9. desember 2013 Oppgave 1 I kortspillet Blackjack får ma de høyeste geviste hvis de to første kortee ma
DetaljerLØSNING: Eksamen 28. mai 2015
LØSNING: Eksame 28. mai 2015 MAT110 Statistikk 1, vår 2015 Oppgave 1: revisjo ) a) Situasjoe som beskrives i oppgave ka modelleres med e ure. I dee ure er fordelige kjet, M atall bilag med feil og N 100
DetaljerLøsningsforsalg til første sett med obligatoriske oppgaver i STK1110 høsten 2018
Løsigsforsalg til første sett med obligatoriske oppgaver i STK1110 høste 2018 Oppgave 1 (a Et 100(1 α% kofidesitervall for forvetigsverdie µ er gitt ved formel (8.15 på side 403 i læreboka. For situasjoe
DetaljerKapittel 7: Noen viktige sannsynlighetsfordelinger
Kapittel 7: Noe viktige sasylighetsfordeliger I mage situasjoer ka feomeet vi ser på beskrives med e bestemt type sasylighetsfordelig (e sasylighetsfordelig gitt ved e bestemt formel. Vi skal se på oe
DetaljerLøsningsforsalg til første sett med obligatoriske oppgaver i STK1110 høsten 2015
Løsigsforsalg til første sett med obligatoriske oppgaver i STK1110 høste 2015 Oppgave 1 (a Et 100(1 α% kofidesitervall for forvetigsverdie µ er gitt ved formel (8.15 på side 403 i læreboka. For situasjoe
DetaljerX = 1 5. X i, i=1. som vil være normalfordelt med forventningsverdi E( X) = µ og varians Var( X) = σ 2 /5. En rimelig estimator for variansen er
Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Abefalte oppgaver 11, blokk II Løsigsskisse Oppgave 1 a) E rimelig estimator for forvetigsverdie µ er gjeomsittet X = 1 X i, som
Detaljern 2 +1) hvis n er et partall.
TMA445 Statistikk Vår 04 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer, blokk II Oppgave Mediae til et datasett, X, er de midterste verdie. Hvis vi har stokastiske
Detaljerf(x)dx = F(x) = f(u)du. 1 (4u + 1) du = 3 0 for x < 0, 2 + for x [0,1], 1 for x > 1. = 1 F 4 = P ( X > 1 2 X > 1 ) 4 X > 1 ) =
TMA Statistikk Norges tekisk-aturviteskapelige uiversitet Istitutt for ateatiske fag Løsigsforslag - Eksae deseber 9 Oppgave a Besteer k ved å kreve fxdx =, fxdx = De kuulative fordeligsfuksjoe Fx er gitt
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2010. Noen viktige sannsynlighetsmodeller. Binomisk modell. Kp. 3 Diskrete tilfeldige variable
ÅMA Saslighetsregig med statistikk, våre K. 3 Diskrete tilfeldige variable Noe viktige saslighetsmodeller Noe viktige saslighetsmodeller ( Sas.modell : å betr det klasse/te sas.fordelig.) Biomisk modell
DetaljerMetoder for politiske meningsmålinger
Metoder for politiske meigsmåliger AV FORSKER IB THOMSE STATISTISK SETRALBYRÅ Beregigsmetodee som brukes i de forskjellige politiske meigsmåliger har vært gjestad for mye diskusjo i dagspresse det siste
DetaljerKap. 9: Inferens om én populasjon
2 ST0202 Statistikk for samfusvitere Bo Lidqvist Istitutt for matematiske fag Ka. 9: Iferes om é oulasjo Hvis σ er ukjet bytter vi ut σ med s i Ny observator blir t = x μ s/ z = x μ σ/ der s = Σx 2 (Σx)
DetaljerRepetisjon; 9.1, 9.2, 9.3, 9.4, 9.5, og Repetisjon; 9.1, 9.2, 9.3, 9.4, 9.5, og 9.10
Repetisjo; 9.1, 9.2, 9.3, 9.4, 9.5, og 9.10 og Geerell defiisjo av : Situasjo: Data x 1,...,x ;utfallav:x 1,...,X ; u.i.f. tilfeldige variable Ukjet parameter i fordelige til X i ee: θ Dersom L og U L
Detaljer211.7% 2.2% 53.0% 160.5% 30.8% 46.8% 17.2% 11.3% 38.7% 0.8%
Prøve-eksame II MET 1190 Statistikk Dato 31. mai 2019 kl 1100-1400 Alle svar skal begrues. Når besvarelse evalueres, blir det lagt vekt på at framgagsmåte og resultat preseteres så klart, presist og kortfattet
DetaljerTMA4240 Statistikk Høst 2009
TMA440 Statistikk Høst 009 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer b4 Løsigsskisse Oppgave Øsker å fie 99% kofidesitervall for µ µ år vi atar ormalfordeliger
DetaljerLøsningsforslag ST1101/ST6101 kontinuasjonseksamen 2018
Løsigsforslag ST/ST6 kotiuasjoseksame Oppgave a Defier hedelsee R, B, B rød kule i første trekig, blå kule i adre trekig, blå kule i tredje trekig. Vi skal fie PR B B for to ulike situasjoer. Geerelt vet
DetaljerOppgave 1. (i) Hva er sannsynligheten for at det øverste kortet i bunken er et JA-kort?
ECON EKSAMEN 8 VÅR TALLSVAR Oppgave Vi har e kortstokk beståede av 6 kort. På av disse står det skrevet JA på forside mes det står NEI på forside av de adre kortee. Hvis ma får se kortet med bakside vedt
DetaljerEksamen REA3028 S2, Våren 2011
Eksame REA08 S, Våre 0 Del Tid: timer Hjelpemidler: Valige skrivesaker, passer, lijal med cetimetermål og vikelmåler er tillatt. Oppgave (8 poeg) a) Deriver fuksjoee ) f 5 f 6 5 ) g g ) h l 9 9 6 4 h l
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
Eksame i: ECON130 Statistikk 1 UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Eksamesdag: 6.05.017 Sesur kugøres: 16.06.017 Tid for eksame: kl. 14:30 17:30 Oppgavesettet er på 6 sider Tillatte helpemidler: Alle
DetaljerEmnenavn: Metode 1, statistikk deleksamen. Eksamenstid: 4 timer. Faglærer: Bjørnar Karlsen Kivedal
EKSAMEN Emekode: SFB10711 Emeav: Metode 1, statistikk deleksame Dato: 10. oktober 2018 Hjelpemidler: Godkjet kalkulator og vedlagt formelsamlig m/tabeller Eksamestid: 4 timer Faglærer: Bjørar Karlse Kivedal
Detaljer3MX 2007/8 - Kapittel 5: 8. januar 5. februar 2008
3MX 00/8 - Kapittel : 8. jauar. februar 008 Pla for skoleåret 00/008: Kapittel 6: 6/ /. Kapittel : / /3. Prøver på eller skoletime etter hvert kapittel. É heildagsprøve i hver termi. Repetisjo, prøver,
DetaljerKap. 9: Inferens om én populasjon
2 ST0202 Statistikk for samfusvitere Bo Lidqvist Istitutt for matematiske fag Ka. 9: Iferes om é oulasjo Hvis σ er ukjet bytter vi ut σ med s i Ny observator blir t = x μ s/ z = x μ σ/ der s = Σx 2 (Σx)
DetaljerLøsningsforslag Eksamen MAT112 vår 2011
Løsigsforslag Eksame MAT vår OPPGAVE Gitt følge {a } defiert rekursivt ved a = 5, a + = a + 6, =,,, 3,.... (a) Vis (for eksempel ved iduksjo) at {a } er stregt avtagede og edtil begreset. (b) Avgjør om
DetaljerKap. 9: Inferens om én populasjon. Egenskaper ved t-fordelingen. ST0202 Statistikk for samfunnsvitere. I Kapittel 8 brukte vi observatoren
2 Kap. 9: Iferes om é populasjo I Kapittel 8 brukte vi observatore z = x μ σ/ for å trekke koklusjoer om μ. Dette krever kjet σ (urealistisk). ST0202 Statistikk for samfusvitere Bo Lidqvist Istitutt for
Detaljer5 y y! e 5 = = y=0 P (Y < 5) = P (Y 4) = 0.44,
Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Abefalte oppgaver 9, blokk II Løsigsskisse Oppgave a) Vi lar her Y være atall fugler som kolliderer med vidmølla i løpet av de gitte
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2007 Oppsummering
ÅMA110 Sasylighetsregig med statistikk, våre 2007 Oppsummerig Bjør H. Auestad Istitutt for matematikk og aturviteskap Uiversitetet i Stavager 19. april Bjør H. Auestad Oppsummerig våre 2006 1 / 37 Oversikt
DetaljerMOT310 Statistiske metoder 1, høsten 2011
MOT310 Statistiske metoder 1, høste 2011 Bjør H. Auestad Istitutt for matematikk og aturviteskap Uiversitetet i Stavager 24. august, 2011 Bjør H. Auestad Itroduksjo og repetisjo 1 / 32 Repetisjo; 9.1,
DetaljerEksamen REA3024 Matematikk R2. Nynorsk/Bokmål
Eksame 6.05.010 REA304 Matematikk R Nyorsk/Bokmål Bokmål Eksamesiformasjo Eksamestid: Hjelpemidler på Del 1: Hjelpemidler på Del : Vedlegg: Framgagsmåte: Veiledig om vurderige: 5 timer: Del 1 skal leveres
DetaljerEKSAMEN Løsningsforslag
..4 EKSAMEN Løsigsforslag Emekode: ITF75 Dato: 6. desember Eme: Matematikk for IT Eksamestid: kl 9. til kl. Hjelpemidler: To A4-ark med valgfritt ihold på begge sider. Kalkulator er ikke tillatt. Faglærer:
DetaljerTMA4240 Statistikk Eksamen desember 2015
Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag TMA20 Statistikk Eksame desember 205 Løsigsskisse Oppgave a) De kumulative fordeligsfuksjoe til X, F (x) P (X x): F (x) P (X x) x
DetaljerOppgaver fra boka: X 2 X n 1
MOT30 Statistiske metoder, høste 00 Løsiger til regeøvig r 3 (s ) Oppgaver fra boka: 94 (99:7) X,, X uif N(µ, σ ) og X,, X uif N(µ, σ ) og alle variable er uavhegige Atar videre at σ = σ = σ og ukjet Kodesitervall
DetaljerFasit til utvalgte oppgaver MAT1110, uka 18/5-21/5
Fasit til utvalgte oppgaver MAT0, uka 8/5-2/5 Øyvid Rya (oyvidry@i.uio.o) May 28, 200 Oppgave 2.4. Rekke er betiget koverget, side + divergerer, mes de altererede rekke kovergerer etter teste for altererede
DetaljerEmnenavn: Eksamenstid: 4 timer. Faglærer: Hans Kristian Bekkevard
EKSAMEN Emekode: SFB107111 Emeav: Metode 1, statistikk deleksame Dato: 7. mai 2018 Hjelpemidler: Godkjet kalkulator og vedlagt formelsamlig m/tabeller Eksamestid: 4 timer Faglærer: Has Kristia Bekkevard
DetaljerTMA4240 Statistikk Høst 2016
Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Abefalt øvig 11 Løsigsskisse Oppgave 1 a) E rimelig estimator for forvetigsverdie µ er gjeomsittet X = 1 X i, som vil være ormalfordelt
DetaljerLøsningsforslag ST2301 øving 3
Løsigsforslag ST2301 øvig 3 Kapittel 1 Exercise 11 Et utvalg på 100 idivider trekkes fra e populasjo med tilfeldig parrig. Det ble observert AA 63 idivider av geotype AA, Aa 27, og aa 10. Lag et 95 % kofidesitervall
DetaljerEstimering 2. -Konfidensintervall
Estimerig 2 -Kofidesitervall Dekkes av kap. 9.4-9.5, 9.10, 9.12 og forelesigsotatee. Dersom forsøket gjetas mage gager vil (1 α)100% av itervallee [ ˆΘ L, ˆΘ U ] ieholde de ukjete parametere θ (som er
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2007
ÅMA Sasylighetsregig med statistikk, våre 27 Kp. 6 (kp. 6) Tre deler av faget/kurset:. Beskrivede statistikk 2. Sasylighetsteori, sasylighetsregig 3. Statistisk iferes estimerig kofidesitervall hypotesetestig
DetaljerKapittel 5: Diskrete sannsynsfordelingar TMA4245 Statistikk. 5.2 Diskret uniform fordeling NTNU NTNU NTNU
Kapittel 5: Disrete sasysfordeligar TMA4245 Statisti Rep.: Forvetig, varias og ovarias Forvetig (tygdeput, geeraliserig av empiris gjeomsitt): < P x µ = E(X) = R xf(x) (Xdisret) : xf(x)dx (Xotiuerlig)
DetaljerKort repetisjon fra kapittel 4. Oppsummering kapittel ST0202 Statistikk for samfunnsvitere. Betinget sannsynlighet og trediagram
2 Kort reetisjo fra kaittel 4 Betiget sasylighet og trediagram Eksemel: Fra e oulasjo av idrettsfolk trekkes e erso tilfeldig og testes for doig. De iteressate hedelsee er D=ersoe er doet, A=teste er ositiv.
Detaljer2. Å R S B E R E T N I N G O G R E G N S K A P F O R A ) Å r s b e r e t n i n g o g r e g n s k a p f o r
I N N K A L L I N G T I L O R D I N Æ R G E N E R A L F O R S A M L I N G 2 0 1 0 O r d i n æ r g e n e r a l f o r s a m l i n g i, a v h o l d e s m a n d a g 3. m ai 2 0 1 0, k l. 1 8 0 0 p å T r e
DetaljerSAMMENLIGNING AV MINSTE KVADRATERS METODE OG SANNSYNLIGHETSMAKSIMERINGSMETODEN I BINÆR REGRESJON. Henrik Dahl *)
IO 78/8 7. april 978 SAMMENLIGNING AV MINSTE KVADRATERS METODE OG SANNSYNLIGHETSMAKSIMERINGSMETODEN I BINÆR REGRESJON av Herik Dahl *) INNHOLD Side Sammedrag. Om modeller for biær regresjo 3. Miste kvadraters
DetaljerForkunnskaper i matematikk for fysikkstudenter. Derivasjon.
Defiisjo av derivert Vi har stor ytte av å vite hvor raskt e fuksjo vokser eller avtar Mer presist: Vi øsker å bestemme stigigstallet til tagete til fuksjosgrafe P Q Figure til vestre viser hvorda vi ka
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren Estimering. Målemodellen. Konfidensintervall, innledning. Kp. 5 Estimering.
ÅMA0 Sasylighetsregig med statistikk våre 006 Kp. 5 Estimerig Estimerig. Målemodelle. Ihold:. (Pukt)Estimerig i biomisk modell (kp. 5.). Målemodelle... (kp. 5.3) 3. (Pukt)Estimerig i målemodelle (kp. 5.3)
DetaljerEksamen R2, Høsten 2010
Eksame R, Høste 00 Del Tid: timer Hjelpemidler: Valige skrivesaker, passer, lijal med cetimetermål og vikelmåler er tillatt. Oppgave (6 poeg) a) Deriver fuksjoee ) f l f ( ) l l (l ) ) g( ) si cos f si
DetaljerOversikt over konfidensintervall i Econ 2130
HG April 00 Oversikt over kofidesitervall i Eco 30 Merk at dee oversikte ikke er met å leses istedefor framstillige i Løvås, me som et supplemet. Løvås ieholder mage verdifulle kommetarer og eksempler.
DetaljerOversikt over konfidensintervall i Econ 2130
1 HG Revidert april 011 Oversikt over kofidesitervall i Eco 130 Merk at dee oversikte ikke er met å leses istedefor framstillige i Løvås, me som et supplemet. Løvås ieholder mage verdifulle kommetarer
DetaljerOppgaven består av 9 delspørsmål, A,B,C,., som anbefales å veie like mye, Kommentarer og tallsvar er skrevet inn mellom <<.. >>.
ECON 130 EKSAMEN 008 VÅR - UTSATT PRØVE SENSORVEILEDNING Oppgave består av 9 delspørsmål, A,B,C,., som abefales å veie like mye, Kommetarer og tallsvar er skrevet i mellom . Oppgave 1 Ved e spørreudersøkelse
Detaljerslrrd s/ t-l Fi ia Fi fl:r ged <^'(n fi Ft'H s ks F;A= HX3 I(: 2 * d;gb ri EF g 3 = t?$ lh 3[ X +i ?$i Es xe 0i i,r s E O X > t-
#l l :ll.ll! i = l = :9X {n\j d,s.w{ 4. ld / l i i i fl: D LCJ Wi] fi ' ;= X h
Detaljerx n = 1 + x + x 2 + x 3 + x x n + = 1 1 x
Potesrekker Forelest: 29. Sept, 2004 Vi lærte fra de geometriske rekkee at x = 1 + x + x 2 + x 3 + x 4 + + x + = 1 1 x så lege x < 1. For uttrykket til høyre er ikke oe aet e sum-formele for geometriske
DetaljerEksamen REA3028 S2, Våren 2010
Eksame REA308 S, Våre 010 Del 1 Tid: timer Hjelpemidler: Valige skrivesaker, passer, lijal med cetimetermål og vikelmåler er tillatt. Oppgave 1 (6 poeg) a) Deriver fuksjoee: 1) f x x lx f x x lx x x f
DetaljerI N N K AL L I N G T I L O R D I N Æ R T S A M E I E R M Ø T E
I N N K AL L I N G T I L O R D I N Æ R T S A M E I E R M Ø T E 2 0 0 9 O r d i næ r t s am e i e rm ø t e i S am b o b o l i g s a m ei e fi n n e r s t e d t o r s d ag 3 0. 0 4. 2 0 0 9 K l. 1 8. 3 0
DetaljerSkrivne og trykte hjelpemiddel samt kalkulator er tillate. Ta med all mellomrekning som trengst for å grunngje svaret.
Eksame 11. mai 2015 Eksamestid 4 timar IR201812 Statistikk og Simulerig Skrive og trykte hjelpemiddel samt kalkulator er tillate. Ta med all mellomrekig som tregst for å grugje svaret. Oppgåve 1......................................................................................
DetaljerPlan for fagdag 3. Plan: Litt om differanse- og summefølger. Sammenhengen a n a 1 n 1 i 1
Pla for fagdag 3 R2-18.11.10 Pla: Litt om differase- og summefølger. Sammehege a a 1 1 i 1 d i. Geometriske resoemet. Arbeidsoppgaver. Differase- og summefølger Regresjo med lommereger Differaser er ofte
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Øvelsesoppgave i: ECON30 Statistikk HØST 004 Dato for utleverig: Fredag 5. oktober 004 Frist for ileverig: Osdag 7. oktober 004, seest kl. 5.00 Ileverigssted: Ekspedisjoskotoret,.
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren Estimering. Målemodellen. Sannsynlighetsregning med statistikk. Kp. 5 Estimering.
ÅMA asylighetsregig med statistikk våre 008 Kp. 5 Estimerig Estimerig. Målemodelle. Ihold:. (ukt)estimerig i biomisk modell (kp. 5.). Målemodelle... (kp. 5.3) 3. (ukt)estimerig i målemodelle (kp. 5.3)
Detaljer