Tema. Statistikk og prøvetakning. Hvorfor måle mer enn en gang? Fordelinger en innledning. Hvorfor måle mer enn en gang
|
|
- Arnulf Enoksen
- 5 år siden
- Visninger:
Transkript
1 Tema Statistikk og prøvetakig Marti Veel Svedse Trodheim, 31. jauar 017 Hvorfor måle mer e e gag praktisk tilærmig til statistikk Basis statistiske begreper Best. r 450 krav/veiledig til måliger Eksempler med statistiske begruelser og effekter av måleregimer Effekt av tiltak Hvorfor måle mer e e gag? Nivået av skadelige stoffer i arbeidsatmosfære varierer Ekspoerig av de forskjellige asatte varierer Måleusikkeret Det er variasjo i arbeidsoppgaver USIKKERHET OG VARIASJON Fordeliger e iledig Usikkerhet, variasjo og spredig i et feome følger som oftest oe regler Terigkast Lik sasylighet for å få hhv 1,,3,4,5 og 6 hver gag ma kaster, 1/6 for hver Uiform fordelig
2 Kaster e terig e millio gager Slår to teriger og summerer 36 kombiasjoer 6 kombiasjoer har summe 7 5 kombiasjoer har summe 6 og 8 1 kombiasjo er hhv og 1 Kaster to teriger gager Slår tre teriger og summerer 56 kombiasjoer 7 kombiasjoer har summe 10 og 11 5 kombiasjoer har summe 9 og 1 1 kombiasjo er hhv 3 og 18
3 Kaster tre teriger gager Flere teriger Slår 5 teriger e gag Summe ka bli alt mellom 5 og 30 Mest sasylig 17 eller 18 Hvis ekspoerige i e bedrift varier så mye og ADN er 0? Rimelig stor forskjell i koklusjo etter som hva ma slår Ka ikke bare slå (eller måle) e gag for å fie svaret Egeskaper for et feome For eksempel Summe av å slå 5 teriger Ekspoerig av e gruppe arbeidstakere Hovedtygde av resultater hva er mest sasylig å få eller i hvilket område ligger de fleste resultatee? Spredig hvor stor variasjo er det i resultatee? Fordelig fordeler de seg på e bestemt måte?
4 Noe grubegreper i statistikk Et mer relevat eksempel Sveisebedrift, 10 støvmåliger (mg/m 3 ) 3,6 3,0 5,5 4,0, 3,9 5,9 4,1,5 3,7 Hovedtygde av resultater Gjeomsitt, aritmetisk middelverdi valigste mål Gjeomsittet av måligee vil si summe av måligee, delt på atallet måliger xi x x x 1 AM x x i er de i-te målige og er atall måliger. Vi får et gjeomsitt på 3,84 mg/m 3 Media Mediae fies ved å ragere dataee fra miste til største verdi. De midterste verdie hvis ma har odde atall verdier Gjeomsittet av de to midterste verdie hvis ma har et partall atall verdier. Hvis ma har gjort 9 måliger, er mediae de 5. målige år måligee er ragert etter størrelse. Har ma 10 måliger er mediae gjeomsittet av 5. og 6. målig. Dataee ragert,,5 3,0 3,6 3,7 3,9 4,0 4,1 5,5 5,9 I vårt tilfelle er mediae gjeomsittet av 3,7 og 3,9. Det gir at mediae er 3,8mg/m 3 Altså: Halvparte av måligee er over og halvparte uder mediae Valig i bruk år ikke dataee fordeler seg jevt opp og ed for gjeomsittet
5 Spredig Treger et mål for hvor spredt dataee er. Jo større spredig eller variasjo er det i dataee, jo flere måliger treger vi for å fie hovedtygde Et av de mest ituitive målee på spredig. Hvor lagt fra gjeomsittet ligger e gjeomsittsmålig x x i 4 måliger Gjeomsittet er 4 Hva blir spredige? Eksempel (4 3) (4 4) (4 4) (5 4) Stadardavvik (Stadarddevisajo (SD)) Et mål for spredige i de ekelte måligee. Jo større stadardavvik, jo større spredig eller variasjo er det i dataee. Stadardavvik (Stadarddevisajo (SD)) Pga defiisjoe av gjeomsittet får vi 0 hvis vi legger avvikee samme. Ved å ta hver differase og gage med seg selv (pluss litt ae matematisk triksig) blir ma kvitt dette problemet. SD s x x x x x x 1 1 x x 1 i Ved å bruke eksempeltallee våre får vi at stadardavviket er 1,17mg/m 3
6 Varias Stadardavviket gaget med seg selv Rage: Max Mi Adre spredigsmål Et aet mål på variasjo Iter kvartil rage: Rage av de midterste 50% av dataee. Største mius miste. Igår ofte i statistiske tester Fordeliger Normalfordelige Hvis måligee kommer fra e ormalfordelig vil det si at måligee fordeler seg etter et gitt møster. Figure uder viser e ormalfordelig. Normalfordelige i praksis Dukker opp år variasjoe i det feomeet ma studerer er effekt av mage parametere eller variasjosfaktorer som bidrar i omtret samme grad. Summe av terigkast er et godt eksempel Overraskede mage aturfeome Vekt, høyde, temperatur, Liker jo veldig på fordelige med 5 teriger
7 Dee grafe viser resultatet av 100 acetomåliger på e arbeidsplass. Legger ormalfordelige over Stadardavviket i e ormalfordelig Fordelige for sveiseeksempel x s 1,50mg / m x 3,84mg / m x s 6,18mg / m 3 3 x s,67mg / m x s 5,01mg / m
8 Logormalfordelig Ikke alle data ormalfordelte Logormal fordelig valig(st) ved måliger av ekspoerig Logormal fordelig er defiert ved at logaritme til dataee er ormalfordelt. Dvs at x i er ormalfordelt år x l i x i Beskrivelse av dataee ved logormal fordelig Geometrisk middelverdi GSD e s e l xi l x GM e e Geometrisk middelverdi tilsvarer mediae hvis dataee er logormalfordelt. (På samme måte som aritmetisk middelverdi gjør det ved ormalfordelte data) Dataees spredig beskrives ved geometrisk stadardavvik l xl xi 1 Logormfordelig Logormal fordelig valig ved ekspoerigsdata Valig år ma måler oe som ikke ka være midre e 0, me som har relativt stor spredig i forhold til gjeomsittet.
9 Normalfordelig, logormalfordelig eller oe aet? Avviker mediae mye fra aritmetisk middelverdi, tyder det på at dataee ikke er ormalfordelt Avviker mediae mye fra geometrisk middelverdi, tyder det på at dataee ikke er logormalfordelt. Ved å lage et histogram får ma oversikt Kofidesitervall Et begrep som geerelt brukes om itervallet vi er % sikre på å fie de reelle verdie til e eller ae parameter (for eksempel gjeomsitt, stadardavvik, odds ratio ) vi har estimert (bereget) Det valigste er å operere med et 95% kofidesitervall, me 99%, 90% og 80% blir også e del brukt Kofidesitervall til gjeomsittet Vi øsker å si oe om hvor sikre vi er på at vi har fuet et gjeomsitt som ligger tett opptil det reelle gjeomsittet Velger 95% kofidesitervall Kofidesitervallet til gjeomsittet gir oss itervallet vi er % sikre på å fie det reelle gjeomsittet iefor. 95% kofidesitervallet til middelverdie er gitt ved der x 1.96se, x 1. 96se se s kalles stadardfeile, eller stadard error
10 For vårt eksempel (sveisere) har vi et 95% kofidesitervall for de aritmetiske middelverdie (3.11, 4.57) Jo flere måliger jo midre kofidesitervall. Vi blir altså sikrere på estimatet av gjeomsittet jo flere måliger vi tar. Ma må firedoble atall måliger for å halvere bredde på et kofidesitervall. Hvor sasylig gjeomsittet er over ADN Gjøres ved å studere de såkalte t fordelige med de middelverdie og det stadardavviket vi har fuet. Utregig Reger først ut det vi kaller e t-verdi ADN x t s Fier så atall frihetsgrader = ( 1) Sammeliger med tabellverdi for å få sasylighete Vi får t verdi 3,13 og 9 frihetsgrader Ma ka ut fra dette og tabelle este side at gjeomsittet er over ADN er i overkat av 0,7%
11 Hvor stor adel av måligee vil være over ADN Bereges på samme måte som sasylighete for at gjeomsittet er over ADN, me med e ae formel ADN x t Fier så atall frihetsgrader = ( 1), som over Sammeliger med tabellverdi Vi får t verdi 0,99 og 9 frihetsgrader Ma ka ut fra dette forvete at ADN overskrides mellom 15 og 0% av dagee s Fordelige Stadardavvik Middelverdi ADN = 5,0 mg/m 3 Arealet er sasylighete for ADN overskrides e tilfeldig dag/målig Aalyse av logormale data Ta de aturlige logaritme til alle måledataee og til ADN Bruk valig aalyse av de trasformerte dataee som om de var ormalfordelte (Det er de jo å) Fi så sasylighete for å overskride de logtrasformerte orme For å fie kofidesitervallet for middelverdie: trasformer tilbake ved å ta e opphøyd i gresee. Det samme gjøres for å fie geometisk middelverdi og stadardavvik.
12 Best.r. 450 Dersom e greseverdi eller admiistrativ orm overskrides, skal arbeidsgivere straks søke etter årsake til overskridelse og umiddelbart iverksette forebyggede tiltak og veretiltak for å bedre situasjoe, jf. kjemikalieforskrifte 17. Varierede faktorer Ekspoerige blir påvirket av mage faktorer, f.eks. råvarer, produkter, prosesser, arbeidsoperasjoer, arbeidsvaer, årstidsvariasjoer og meteorologiske forhold. Ekspoerige ka derfor variere fra perso til perso, selv om de utfører de samme oppgavee, og over kortere og legre tidsrom timer, dager, uker og år. Det er viktig å ta hesy til disse faktoree år ma plalegger kartleggiger, slik at vurderigee også blir gyldig fremover i tid. Normee Normee agir valigvis høyeste akseptable gjeomsittskosetrasjo målt over et 8 timers skift. Kartleggig og vurderig 1) iledede vurderig ) forudersøkelse 3) detaljert udersøkelse 4) periodiske måliger
13 .1 Iledede vurderig De iledede vurderige skal gi svar på om det er mulig at arbeidstakere blir ekspoert for foruresiger i arbeidsatmosfære. Følgede forhold som ka føre til eller påvirke ekspoerig, vurderes: Bruk av helsefarlige stoffer Daelse av helsefarlige stoffer som ka frigjøres til arbeidsatmosfære fra produksjosprosesse Arbeidstakere med plager eller sykdom som ka skyldes ekspoerig Avstad mellom foruresigskilder og arbeidstakere Oppholdstid i foruresede soer Arbeidstakeres arbeidsvaer Arbeidsoperasjoer som regjørig og vedlikehold (må ikke glemmes!) Årstidsvariasjoer Vetilasjo Bruk av ådedrettsver Fremtidige produksjosedriger (etter at vurderige er utført) Tidligere måliger og evetuelle edriger i arbeidsprosesse i etterkat av måliger. Forudersøkelse Hesikte med forudersøkelse er å skaffe mer iformasjo om grade av ekspoerig som arbeidstakere blir utsatt for, og spesielt om arbeidsoppgaver med mulig høy ekspoerig. Følgede iformasjo ka beyttes i vurderige: Iformasjo fra de iledede vurderige Måliger fra ligede bedrifter eller arbeidsoperasjoer Beregiger basert på kvatitative data (for eksempel megde løsemiddel som brukes i forhold til luftskifte) Stikkprøver og måliger ær kilder Når kvatitativ iformasjo ikke er tilgjegelig, må det tas stikkprøver. Stikkprøver er ekeltprøver, ofte med relativt kort prøvetakigstid, og ka utføres med eklere målemetoder, for eksempel prøverør og direktevisede utstyr. Stikkprøver ka tas ved: Atatt maksimal ekspoerig ( worst case, se tekstboks uder) Uder represetative forhold Nær emisjoskilde Vurderig av stikkprøvee avheger av hvorda de er tatt: Worst case prøver: Verdier større e 1,5 gager ADN betyr at ekspoerige er klart over ADN. Verdier midre e 1/4 av ADN betyr at ekspoerige er klart uder ADN, og at dette også gjelder for adre arbeidstakere i gruppe. Represetative prøver: Verdier større e ADN betyr at ekspoerige er over ADN, og verdier midre e 1/10 av ADN betyr at ekspoerige er lagt uder ADN. Måliger ær emisjoskilde: Må vurderes ut fra sasylighete for at arbeidstakere ka oppholde seg i soe.
14 «Worst case» prøvetakig Når de iledede udersøkelse eller forudersøkelse viser at det fies arbeidstakere eller oppgaver som atas å ha høyere ekspoerig e valig, ka prøvetakige bli utført for slike situasjoer. Når måleverdie(e) er klart uder de admiistrative orme, ka ma ata at ekspoerige til adre arbeidstakere og oppgaver ligger like lavt eller lavere. Måliger med direktevisede istrumeter ka være yttige ved idetifiserig av «worst case» situasjoer. Worst case Tidligere har vi sett på tilfeldig utvalg fra e forhådsbestemt gruppe. Presser måligee til å være de mest ekstreme tilfellee for gruppa. Detaljerte udersøkelser Hvem skal ma ta prøver av? Arbeidstilsyets abefaliger Homoge gruppe Studere flere arbeidere over flere dager Mage måliger Worst-case utvalg
15 Homoge gruppe Gruppe persoer som arbeider uder omtret samme forhold Tommelfigerregel: Ige skal være ekspoert uder halvparte av gjeomsittet eller over det dobbelte av gjeomsittet Hva er grue til at vi øsker dee situasjoe? Topuklet/bimodal fordelig Eksempel på ikke homoge grupper Her er de ee gruppe vesetlig midre ekspoert e de adre Sveisere mot platearbeidere i samme bedrift Abefalt måleregime Spesifikke arbeidsoperasjoer Arbeidsoppgaver som gir ulik ekspoerig i løpet av dage Arbeidsoppgaver med høy ekspoerig som utføres sjeldet. Mål ekspoerige, flere måliger per oppgave Mål tidsbruk på hver oppgave Bereg ekspoerige
16 Ekspoerig Beregigsformel C T C T 1 8timer 1 C T (C 1, C,, C ) er arbeidsoppgavees forskjellige kosetrasjoer (T 1, T,, T ) er tidsbruk per arbeidsopperasjo Koklusjo Ofte svært dyrt å kartlegge Vaskelig i praksis Må fie oe kompromisser Hva er effekte av kompromisser? Eksempel Ekspoerig for sveiserøyk i e bedrift Dårlig økoomi/lite vilje til kartleggig Best mulig faglig jobb Hva er det vi gjør, statistisk sett, år vi tar måliger? Har e stor megde mulige ekspoeriger 8,5 5,4 7,4 5,6 8,6 5,1 5,9 6,4 4, 7,6 5,5 5, 3,7 5,8 6,,0 1,9 8,0 4,8 6,9 5,5 8,5 6,9 6, 6,9 5,4 8,4 6,4 1,4 3,3 4, 3,6 6,9 6,7 6, 1,0 8,8,1 4,1 8,,, 1,7 4,0,3, 3,5 3,0 1, 5,9 5,7 3,8 3,0 6,5 8,6 1,6 5,8 5,3 6, 3,6 9,0,6 7,1 8,5 1,0,9,5 5,5,0 4,4 6,4 6,9,4 6,1 3,1 6,5 1,5 6,3 1,4 7,8 4,7 7,6 8,5 6, 7,7 4,1 8,3 3,5 5,3 8,1 1,3 3,5 3,1 7,6 4,3 3,3 7,1 6,5 6,6 7,6 6,4 8,1 1,6 7,6 4,1 7,9 1,1 6,1 8,4 6,6 4,5 1, 6,4 5, 6,8 1,0 4,8 4,3 9,0 1,8 1,5 4,8 1,7 6,4 8,1 8,7 8,8 7,5,8,4 9,0 7,0 3,1 7,1 8,8 5,3 4,1 4,8 6, 1,5 1,0,,7 1, 1,7,0 3,5 6,5 1,0 3,7 8,3 5,0 4,9 7,9 7,3 6,4 7,9 3,4 7,1 5,5 8,9 5,9 7,1 5, 4,7,9, 7,8 6,0,0 6,7 6,4 6,0 4,7 9,0 1,4 7,3 8,3 4,0 7,6 8,6 5,8 7, 7,9 6, 1,8 6,9 7,6 1,7 8,8 6,6 8,5 4,0 1,1 7,8 4,3 7,0 6,7,5 3,5 7,1 7,1 8,1 4,7 6, 1,8 6,3 8,1 6,8 8,8 8,4 4,7 8,3 5,0 6,7, 6,7 3,3 8,7 6,5 4,5 4,5 1,,5 1,7 7,6 1,3 5,5,1 1,5,6 5, 7,4 4,1 8,0 8,0 8,0 1,5 4,1,7 1,,9 5, 4,7 8,4,8 6,0,5 4,, 8,0 8,8 6,0 3, 1, 6,3 6,3 5,1 7,5 6,1 4,6,5 1,3,1 3,6 1,7 4,,5 4,1 6,0
17 All ekspoerig av arbeidere ukjet Tar e målig, e ekspoerig er kjet 3,6 Tar e målig på e sveisearbeider over 8 timers skift. Resultatet blir 3,6mg/m 3 Hva forteller dette oss? Hvis vi skulle tippe morgedages ekspoerig ville vi tippe 3,6mg/m 3, eller oe i ærhete Vi vet at det beste estimatet på gjeomsittlig ekspoerig er 3,6mg/m 3 hvis vi atar ormalfordelig Ka ikke si oe mer om det geerelle ekspoerigsivået til arbeideree. Ka derfor ikke si oe om sasylighete for at gjeomsittsekspoerige er større e ADN Usikkerhete i estimatet av gjeomsittet er uedelig. Vi vet ige tig om hvor mye verdiee varierer blat de som arbeider ved bedrifte. Ka derfor ikke si oe om sasylighete for at ADN overskrides e tilfeldig dag. Må gjøre flere måliger.
18 s=? Hvor stor spredig? Måler to dager til 3,6 3,0 5,5 Mest sasylig 3,6 mg/m 3 Hva ka vi fie ut å? Middelverdi Stadardavvik 95% kofidesitervall for middelverdie Estimert adel dager ADN overskrides SD s AM x x x 1 i Beregiger xi 3,6 3,0 5,5 4,0 3 4,0 3,6 4,0 3,0 4,0 5,5 1,3 95% kofidesitervall (tilærmet) x 4.3se, x 4.3se , , Sasylighet for gjeomsitt over ADN x 5 4 t 3 1,8 17% s 1,3 Adel over ADN x 5 4 t 0,77 6% s 1,3
19 Ikke 95% sikre på at middelverdie ligger uder ADN (5mg/m 3 ). Ka derfor ikke på grulag av dataee si at ekspoerige er uder ADN. Estimatet på adel overskridelser av ADN er også svært usikkert 0,8 mg/m 3 7,3 mg/m 3 Hva skjer hvis vi tar flere måliger? Mest sasylig 4,0 mg/m 3 5 måliger Sikrere i estimatet av middelverdie. Det gir et midre kofidesitervall. Vi blir sikrere både på plasserige av ormalfordelige og spredige av de. Vi får altså bedre isikt i hvorda ekspoerige er over et legere tidsrom. Det gir igje et bedre overslag for hvor stor adel som ka forvetes å være over ADN 3,6 3,0 5,5 4,0, Ata ormalfordelig. Fi middelverdi, stadardavvik og 95% kofidesitervall.
20 AM x Beregiger xi 3,6 3,0 5,5 4,0, 3,7 5 SD s x x 1 i 1, 95% kofidesitervall (tilærmet) x.8se, x.8se 3.7.8, , Sasylighet for gjeomsitt over ADN x 5 3,7 t 5,43 4% s 1, Adel over ADN x 5 3,7 t 0,77 17% s 1, Legg i ADN Legg i måleehete Hjelpeverktøy Excel ark som gjør disse beregigee Legg i måleverdiee I tillegg de adre beregigee som er evt i Bestr 450 Klikk for resultater
21 Middelverdi: 3,66mg/m 3 Stadardavvik: 1,3mg/m 3 95% kofidesitervall: (.13, 5.19) Vi ka å med mer e 95% sikkerhet si at middelverdie ikke er over ADN. Periodiske måliger ødvedig 1/4 ADN<AM<ADN Forvetet adel over ADN er 17% Vedlegg til 450 viser e måte å bestemme om tiltak ødvedig sasylighete for AM>ADN. Eksemplet fra tidligere med 10 måliger er faktisk fortsettelse av dee måleserie. 3,6 3,0 5,5 4,0, 3,9 5,9 4,1,5 3,7 Vi har sasylighet 4% for at AM>ADN. Det betyr at det er behov for periodiske måliger. Legger dataee i i Excel arket og fier resultatee
22 Vi har: Middelverdi: 3,84mg/m 3 Stadardavvik: 1,17mg/m 3 95% kofidesitervall: (3.0, 4.7) Adel overskridelser 17% Logormal fordelig Ata at dataee er logormal fordelte Aalyserer dataee Sikrere på bestemmelse av middelverdie, og at de er uder ADN. Legg i måleverdiee Legg i ADN GM og GSD Nedre og øvre grese 95% KI Beregig av ekspoerig sum av deloppgaver Bereg ekspoerige til e arbeidstaker 1 time og 15 mi: 130 ppm aceto 1 time og 10 mi: 100 ppm aceto 3 timer: 30 ppm aceto ikke ekspoert reste av dage Hva er 8 timers ekspoerige?
23 Periodiske måliger, evaluerig av tiltak Hvorda se om et tiltak har vært effektivt? Når ka ma si at ivået er lavere e det var før? Eksempel: Orgaisk totalstøv Totalstøvet målt i fjøs i forbidelse med fyllig av dyrefor 5,7 6,5 4,9 6,1 5,8 6,8 4,4 5,0 6,6 6,0 Fier at middelverdie er 5,8mg/m 3 ADN er 5mg/m 3 Øsker å redusere ekspoerige til e lavere ekspoerig e 4,5 mg/m 3 Tiltak foreslått er puktavsug Vil fie hvor mage prøver som miimum tregs for å oppdage e reell edgag av dee størrelse
24 Ma treger å vite: Atall prøver middelverdie før tiltak Stadardavviket før tiltak Miste edrig som er iteressat å oppdage Hvor sikre ma øsker å være på at e kokluskjo om reduksjo er sa (Type I) Hvor sikre ma vil være på å oppdage e reell edgag av miste iteressate edrig (Type II) Type I feil Sasylighete for å si at det er e edgag på bakgru av dataee, gitt at det ikke er oe reell edrig, kaller vi sasylighete for type I feil. Dvs sasylighete for at vi måler så forskjellige resultater at vi får sigifikat forskjell på ivåee ved e tilfeldighet og ikke på gru av reelle forskjeller. Ofte sett på som mer alvorlig feil e type II Type II feil Sasylighete for å kokludere med at det ikke er oe forskjell mellom ivåee, gitt at ivåee er så forskjellige som miste forskjell vi øsker å studere, kalles type II feil Dvs sasylighete for å kokludere med at ivåee før og etter tiltak er like, selv om de er forskjellige. Rettsak aalogi Type I feil er å dømme e som er uskyldig Type II feil er å frikjee e som faktisk er skyldig Type I er mer alvorlig e type II
25 Har målt før tiltak: Totalstøv Middelverdi=5,8mg/m 3 Stadardavvik=0,79mg/m 3 Øsker: Middelverdi<4,5mg/m 3 Type I<,5% Type II<10% Hvor mage prøver ødvedig? Atall prøver som er ødvedig Z Z Z og Z fier du i tabelle for stadard ormalfordelig s er stadardavviket er tidligere ivå x er ivå ved miste iteressate edrig x s
26 Sammeligig av måleresultater før og etter tiltak Følgede formel ka brukes til å evaluere effekt av tiltak t x før x s felles etter før før etter etter Felles stadardavvik Felles stadardavvik er defiert ved s felles 1s 1 før før før etter etter s etter t slås opp i tabelle for t-test med ( før + etter -) frihetsgrader Eksempel: Orgaisk støv Måliger etter tiltak 3,6 3, 4,4,8 4,0 4,6 3,8,4 4,7 5,1
27 Hvilke slutiger ka vi trekke i rapporte? Vi fat: Middelverdi: 3,84mg/m 3 Stadardavvik: 1,17mg/m 3 95% kofidesitervall: (3.11, 4.57) Adel overskridelser 16,1% Noe eksempler og forklariger
28
Kapittel 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
DetaljerStatistikk og økonomi, våren 2017
Statistikk og økoomi, våre 07 Obligatorisk oppgave 6 Løsigsforslag Oppgave E terig kastes 0 gager, og det registreres hvor mage 6-ere som oppås i løpet av disse 0 kastee. Vi ka kalle atall 6-ere i løpet
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
DetaljerPåliteligheten til en stikkprøve
Pålitelighete til e stikkprøve Om origiale... 1 Beskrivelse... 2 Oppgaver... 4 Løsigsforslag... 4 Didaktisk bakgru... 5 Om origiale "Zuverlässigkeit eier Stichprobe" på http://www.mathe-olie.at/galerie/wstat2/stichprobe/dee
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
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
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
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
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
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
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
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
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)
DetaljerÅMA110 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
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,
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
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)
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
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)
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren Kp. 5 Estimering. Målemodellen.
ÅMA0 Sasylighetsregig med statistikk, våre 0 Kp. 5 Estimerig. Målemodelle. Estimerig. Målemodelle. Ihold:. (Pukt)Estimerig i biomisk modell (kp. 5.). Målemodelle... (kp. 5.). (Pukt)Estimerig i målemodelle
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2008 Kp. 6, del 5
ÅMA110 Sasylighetsregig med statistikk, våre 2008 Kp. 6, del 5 Bjør H. Auestad Istitutt for matematikk og aturviteskap Uiversitetet i Stavager 26. mars Bjør H. Auestad Kp. 6: Hypotesetestig del 5 1/ 53
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
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
DetaljerForventningsverdi. MAT0100V Sannsynlighetsregning og kombinatorikk
MAT0100V Sasylighetsregig og kombiatorikk Forvetigsverdi Sasylighetsfordelige til e tilfeldig variabel X gir sasylighete for de ulike verdiee X ka ata Forvetig, varias og stadardavvik Tilærmig av biomiske
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
DetaljerEstimering og hypotesetesting. Estimering og hypotesetesting. Estimering og hypotesetesting. Kapittel 10. Ett- og toutvalgs hypotesetesting
3 Estimerig og hypotesetestig Kapittel 10 Ett- og toutvalgs hypotesetestig TMA445 V007: Eirik Mo Feome Bilkjørig Høyde til studeter Estimator ˆp = X, X atall ˆµ = X gjeomsittlig høyde. som syes de er flikere
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2007 Kp. 6, del 5. Hypotesetesting, del 5
ÅMA11 Sasylighetsregig med statistikk, våre 7 Kp. 6, del 5 Bjør H. Auestad Istitutt for matematikk og aturviteskap Uiversitetet i Stavager 26. mars Bjør H. Auestad Kp. 6: Hypotesetestig del 5 1/ 59 Bjør
DetaljerHøgskolen i Telemark Avdeling for estetiske fag, folkekultur og lærerutdanning BOKMÅL 12. desember 2008
Høgskole i Telemark Avdelig for estetiske fag, folkekultur og lærerutdaig BOKMÅL. desember 8 EKSAMEN I MATEMATIKK, Utsatt røve Modul 5 studieoeg Tid: 5 timer Ogavesettet er å sider (ikludert formelsamlig).
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
DetaljerHypotesetesting, del 4
Oversikt, del 4 t-fordelig t-test t-itervall Del 5 Kofidesitervall vs. test p-verdi t-fordelig Rett på defiisjo: Utgagspuktet er målemodelle med ormalatakelse: X 1,...,X,u.i.f.tilf.var.derX i Nμ, σ 2 ).La
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
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.
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)
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
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2010 Kp. 6, del 4
ÅMA11 Sasylighetsregig med statistikk, våre 21 Kp. 6, del 4 Bjør H. Auestad Istitutt for matematikk og aturviteskap Uiversitetet i Stavager 22. mars Bjør H. Auestad Kp. 6: Hypotesetestig del 4 1/ 29 Bjør
DetaljerRep.: generelle begrep og definisjoner Kp. 10.1, 10.2 og 10.3
Kp. 1, oversikt ; oversikt, t- ; oversikt ; stor ; Hypoteseig; ett- og to-utvalg Rep.: geerelle begrep og defiisjoer Kp. 1.1, 1.2 og 1.3 Rep.: ett-utvalgser for μ (...), p Kp. 1 og 1.8 Nytt: ett-utvalgs
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
DetaljerSTK1100 våren 2017 Estimering
STK1100 våre 017 Estimerig Svarer til sidee 331-339 i læreboka Ørulf Borga Matematisk istitutt Uiversitetet i Oslo 1 Politisk meigsmålig Spør et tilfeldig utvalg på 1000 persoer hva de ville ha stemt hvis
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 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
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
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
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
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2008 Kp. 6, del 5
ÅMA110 Sasylighetsregig med statistikk, våre 2008 Kp. 6, del 5 Bjør H. Auestad Istitutt for matematikk og aturviteskap Uiversitetet i Stavager 3. april Bjør H. Auestad Kp. 6: Hypotesetestig del 5 1/ 56
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Kp. 6, del 5
ÅMA110 Sasylighetsregig med statistikk, våre 2006 Kp. 6, del 5 Bjør H. Auestad Istitutt for matematikk og aturviteskap Uiversitetet i Stavager 3. april Bjør H. Auestad Kp. 6: Hypotesetestig del 5 1 / 56
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
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2010 Kp. 6, del 5
ÅMA110 Sasylighetsregig med statistikk, våre 2010 Kp. 6, del 5 Bjør H. Auestad Istitutt for matematikk og aturviteskap Uiversitetet i Stavager 12. april Bjør H. Auestad Kp. 6: Hypotesetestig del 4 1/ 59
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
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
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
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
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
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
DetaljerEksamen REA3028 S2, Våren 2012
Eksame REA08 S, Våre 0 Del Tid: timer Hjelpemidler: Valige skrivesaker, passer, lijal med cetimetermål og vikelmåler er tillatt. Oppgave (4 poeg) a) Deriver fuksjoee ) f f ) g e 4 4 4 g e e 4 g e e g e
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
DetaljerEstimering og hypotesetesting. Estimering og hypotesetesting. Estimering og hypotesetesting. Kapittel 10. Ett- og toutvalgs hypotesetesting
3 Estimerig og hypotesetestig Kapittel 10 Ett- og toutvalgs hypotesetestig TMA4240 H2006: Eirik Mo Feome Bilkjørig Høyde til studeter Estimator ˆp = X, X atall ˆµ = X gjeomsittlig høyde. som syes de er
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
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
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
DetaljerEksempeloppgave 2014. REA3028 Matematikk S2 Eksempel på eksamen våren 2015 etter ny ordning. Ny eksamensordning. Del 1: 3 timer (uten hjelpemidler)
Eksempeloppgave 2014 REA3028 Matematikk S2 Eksempel på eksame våre 2015 etter y ordig Ny eksamesordig Del 1: 3 timer (ute hjelpemidler) Del 2: 2 timer (med hjelpemidler) Mistekrav til digitale verktøy
DetaljerSignifikante sifre = alle sikre pluss ett siffer til
Sigifikate siffer og stadardavvik behadles i kap. Disse to emee skal vi ta for oss i dag. Kofidesgreser behadles i kap 4. Dette skal vi ta for oss i osdag. Presetasjo av aalysedata ka gjøres på følgede
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
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
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
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
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
Detaljer2. Hypotesetesting i ulike sitausjoner: i. for forventingen, μ, i målemodellen med normalantakelse og kjent varians, σ 2.
Oversikt 1. Hva er hypotesetestig? 2. i ulike sitausjoer: i. for forvetige, μ, med ormalatakelse og kjet varias, σ 2. ii. for forvetige, μ, med stor og ormaltilærmig (variase, σ 2, ukjet). iii. for suksessasylighete,
Detaljer«Uncertainty of the Uncertainty» Del 4 av 6
«Ucertaity of the Ucertaity» Del 4 av 6 v/rue Øverlad, Traior Elsikkerhet AS Iledig Dette er del fire i artikkelserie om «Ucertaity of the Ucertaity». I dag skal jeg vise deg utledige av formele: σ m s,
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2007 Kp. 6, del 4. Hypotesetesting, del 4
ÅMA11 Sasylighetsregig med statistikk, våre 27 Kp. 6, del 4 Bjør H. Auestad Istitutt for matematikk og aturviteskap Uiversitetet i Stavager 19. mars Bjør H. Auestad Kp. 6: Hypotesetestig del 4 1/ 27 Bjør
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2007 Kp. 6, del 2
ÅMA11 Sasylighetsregig med statistikk, våre 27 Kp. 6, del 2 Bjør H. Auestad Istitutt for matematikk og aturviteskap 5. mars 21 Bjør H. Auestad Kp. 6: del 1/2 1/ 42 Bjør H. Auestad Kp. 6: del 1/2 2/ 42
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
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
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
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
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 2006
ÅMA110 Sasylighetsregig med statistikk, våre 2006 Kp. 6, del 2 Bjør H. Auestad Kp. 6: Hypotesetesig del 2 1/ 38 Bjør H. Auestad Kp. 6: Hypotesetesig del 2 2/ 38 Oversikt 1. Hva er hypotesetestig? 2. Hypotesetestig
Detaljer8 (inkludert forsiden og formelsamling) Tegne- og skrivesaker, kalkulator, formelsamling (se vedlagt).
Eksamesoppgave våre 011 Ordiær eksame Bokmål Fag: Matematikk Eksamesdato: 10.06.011 Studium/klasse: GLU 5-10 Emekode: MGK00 Eksamesform: Skriftlig Atall sider: 8 (ikludert forside og formelsamlig) Eksamestid:
DetaljerEKSAMENSOPPGAVE. Mat-1060 Beregningsorientert programmering og statistikk
Fakultet for aturviteskap og tekologi EKSAMENSOPPGAVE Eksame i: (Kode og av) Dato: 05.1.017 Klokkeslett: 09:00-13:00 Sted: Åsgårdv 9 Mat-1060 Beregigsorietert programmerig og statistikk Tillatte hjelpemidler:
DetaljerOppgaver fra boka: Med lik men ukjent varians antatt har vi fra pensum at. t n1 +n 2 2 under H 0 (12 1) (12 1)
MOT30 Statistiske metoder, høste00 Løsiger til regeøvig r. 5 (s. ) Oppgaver fra boka: Oppgave 0.36 (0.0:8) Dekkslitasje X,..., X u.i.f. N(µ, σ ) og X,..., X u.i.f. N(µ, σ ) og alle variable er uavhegige.
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 >
DetaljerLøsningsforslag til eksamen i STK desember 2010
Løsigsforslag til eksame i STK0 0. desember 200 Løsigsforslaget har med flere detaljer e det vil bli krevd til eksame. Oppgave a Det er tilpasset e multippel lieær regresjosmodell av forme β 0 + β x i
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
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
DetaljerTMA4245 Statistikk Vår 2015
TMA4245 Statistikk Vår 2015 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer 12, blokk II Oppgave 1 Kari har ylig kjøpt seg e y bil. Nå øsker hu å udersøke biles besiforbruk
DetaljerOversikt over konfidensintervall i Econ 2130
1 HG Revidert april 014 Oversikt over kofidesitervall i Eco 130 Merk at dee oversikte ikke er met å leses istedefor framstillige i Løvås, me som et supplemet. De ieholder tabeller med formler for kofidesitervaller
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
DetaljerHøgskolen i Telemark Avdeling for estetiske fag, folkekultur og lærerutdanning BOKMÅL 20. mai 2008
Høgskole i Telemark Avdelig for estetiske fag, folkekultur og lærerutdaig BOKMÅL. mai 8 EKSAMEN I MATEMATIKK Modul 5 studieoeg Tid: 5 timer Ogavesettet er å sider (ikludert formelsamlig). Hjelemidler:
DetaljerDeskriptiv statistikk for sentrum og spredning i fordelingen. Gjennomsnitt og standardavvik. eller
Eksempel : tall dager i sykehus. Ikke-parametriske tester versus parametriske tester Stia Lyderse Presetert på Regioal forskigskoferase for psykiatri og rusfeltet Ålesud 4 jui 03 Behadlig : 6, 5, 37,,
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2011
ÅMA110 asylighetsregig med statistikk våre 011 Kp. 5 Estimerig 1 Estimerig. Målemodelle. Ihold: 1. (ukt)estimerig i biomisk modell (kp. 5.). Målemodelle... (kp. 5.3) 3. (ukt)estimerig i målemodelle (kp.
DetaljerFØLGER, REKKER OG GJENNOMSNITT
FØLGER, REKKER OG GJENNOMSNITT Espe B. Lagelad realfagshjoret.wordpress.com espebl@hotmail.com 9.mars 06 Iledig E tallfølge er e serie med tall som kommer etter hveradre i e bestemt rekkefølge. Kvadrattallee
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
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
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
Detaljerbetegne begivenheten at det trekkes et billedkort i trekning j (for j=1,2,3), og komplementet til
1 ECON1: EKSAMEN 17v SENSORVEILEDNING. Det abefales at de 9 deloppgavee merket med A, B, teller likt uasett variaso 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 «The hardest thig to teach i ay itroductory statistics
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
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
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
DetaljerOppgave 1 a) Minste kvadraters metode tilpasser en linje til punktene ved å velge den linja som minimerer kvadratsummen. x i (y i α βx i ) = 0, SSE =
Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Abefalte oppgaver 2, blokk II Løsigsskisse Oppgave a Miste kvadraters metode tilpasser e lije til puktee ved å velge de lija som
Detaljer