Er neste datapar ved kalibrering en ekstremverdi som skal forkastes?
|
|
- Birgit Kleppe
- 7 år siden
- Visninger:
Transkript
1 Er este datapar ved kalibrerig e ekstremverdi som skal forkastes? v/rue Øverlad, Traior Elsikkerhet AS 1. Iledig Dee artikkele utleder formel for usikkerhetsitervallet PI (Predictio Iterval) som omslutter e «Best Fit»-lije. PI = Estimert Y ± [ usikkerhetsitervall ] [1] Vi bruker dette verktøyet til å etablere et usikkerhetsitervall (for eksempel ved 9 %). Formålet er å vurdere om det este datapuktet vi iheter ved kalibrerig ligger iefor eller utefor dette usikkerhetsitervallet. Ligger datapuktet utefor usikkerhetsitervallet, kaller vi datapuktet for e ekstremverdi eller «uteligger», og skal forkastes. Usikkerhetsitervallet etableres slik at det er 9 proset sasylig at det este dataparet ligger iefor usikkerhetsitervallet. Vi skal vise at de komplette formele vil se slik ut: PI = [bx + a ] ± [ T (α/,v) (y i y i ) ( ) (x X ) (x i X ) ] [] Uttrykket for PI er temmelig likt uttrykket for CI som jeg utledet i forrige artikkel. Forskjelle er at det har blitt lagt til 1 uder kvadratrotteget. Hvor: x Vi øsker å bestemme usikkerhetsgreser for dee x-verdi. Dette ka for eksempel være kalibrerigstrykket eller kalibrerigstemperature. x er de uavhegige variabele. b b forteller om stigigstallet til de rette regresjoslije (y =bx+a). a a forteller om skjærigspuktet til de rette regresjoslije i Y-akse (år x = 0) T α/,v Studet t-verdie avheger atall datapar som igår i regresjosaalyse og det usikkerhetsitervallet (for eksempel 9%) vi er på jakt etter. α α forteller om usikkerhetsitervallet: 100(1- α) proset. Normalt er α = 0,0 det vil si at kofidesitervallet er 9 proset. / I Studet t-fuksjoe skal vi ha -sidig usikkerhetsgrese; det vil si, % i hver ede. v Dette er «Degrees of Freedom». I vårt tilfelle har vi to variabler (x og y) og derav er v = - er atall datapar som igår i regresjosaalyse. Summasjosteg. Vi repeterer summasjoe atall gager. y i y i X x i Tabell 1: Symboldefiisjoer Side 1 Dette er de avleste respose (y-verdie) i dataparet. Dette ka for eksempel være sesorspeig eller istrumetsigal. y er de avhegige variabele (avheger av x-variabele). Dette er de beregede, forvetede resposverdie basert på regresjoslikige og x-verdie vi har valgt (y =bx+a). Dette er aritmetisk setralverdi (gjeomsittsverdi) av alle x-verdier ifra dataparee våre. Dette er e idividuell x-verdi i dataparet.
2 Y (avlest verdi [Volt]) «Best Fit»-lije y =bx+a er basert på et sett med datapar. Lije har et rotasjospukt i (X, Y ). Lije har koeffisietee b (stigigstall) og a (a er y-verdi år x = 0). Koeffisiete a har e slik verdi at regresjoslije går gjeom regresjoslijes rotasjospuktet (X, Y ). 7 x og estimert Y ("Best Fit"-lije) 6 Best Fit-lije: Y = 0,187x + 1, Best Fit-lije PI edre PI Øvre Måleserie (X, Y ) 1 0 0,0,0 10,0 1,0 0,0,0 X (Påtrykt [Barg]) Figur 1: Grafisk presetasjo av usikkerhetsitervallee (øvre og edre PI) fra Microsoft Excel. «Best Fit»-lije har et rotasjospukt i (X, Y ). I vårt eksempel er e trykksesor kalibrert i fem pukter i området 0 til 0 Barg. Sesore er kalibrert for x 1 = 0 Barg, x = Barg, x 3 = 10 Barg, x 4 = 1 Barg, og x = 0 Barg. x kalles for de uavhegige variabele. For hvert kalibrerigspukt har vi gjort e avlesig (y) av sesorspeige. y kalles de avhegige variabele. Observasjoee fra kalibrerige er lagt i i tabell, og grafisk presetert i figur 1. X Y Datapar (Barg) (Volt) 0,0 1,0 (x 1,y 1),0, (x,y ) 10,0 3,1 (x 3,y 3) 1,0 3,7 (x 4,y 4) 0,0,0 (x,y ) Tabell : Resposverdier (Y) fra verdier (x). Side
3 . Populasjo av datasett (Sub-populasjoer) For trykksesore har vi etablert e database for tidligere kalibreriger. Det er etablert subpopulasjoer Y a, Y b, Y c, Y d, og Y e med datasett. Y a (0 Barg, Y 1) Dette er datasett hvor det er påtrykt 0 Barg, med avleste sesorverdier Y 1. Y b ( Barg, Y ) Dette er datasett hvor det er påtrykt Barg, med avleste sesorverdier Y. Y c (10 Barg, Y 3) Dette er datasett hvor det er påtrykt 10 Barg, med avleste sesorverdier Y 3. Y d (1 Barg, Y 4) Dette er datasett hvor det er påtrykt 1 Barg, med avleste sesorverdier Y 4. Y e (0 Barg, Y ) Dette er datasett hvor det er påtrykt 0 Barg, med avleste sesorverdier Y. Figur : Vi teker oss e populasjo (rødt område som vi for eksempel ka avgi Y). I dette eksemplet har vi fordelt dataparees y-verdier (elemetee) i i sub-populasjoer/utvalg (orasje områder. Sub-populasjoee kaller vi Y a, Y b, Y c, Y d, og Y e. For hver sub-populasjo ka vi berege de aritmetiske setralverdie for respose. For eksempel for subpopulasjo Y a. U = y a(1)+ y a() y a(n) a N = N y a(i) N Vi summerer alle resposverdier (y a(i) ) i e sub-populasjo og dividerer med atall elemeter (N) i sub-populasjoe for å bestemme de aritmetiske setralverdie i sub-populasjoe (U ). a [3] De aritmetiske setralverdie i sub-populasjoe (U ) a er vurdert til å være de ekeltverdi som best represeterer e gruppe av verdier. Vi er i et dilemma. For e sub-populasjo skal vi ha uedelig mage (N ) med datapar. I praksis er dette umulig. Sub-populasjoe består kaskje av et par hudre eller tuse datapar. I praksis ka vi derfor ikke med 100 proset sikkerhet si at de kalkulerte setralverdie vi har fuet, er setralverdie for sub-populasjoe, me heller er setralverdie for utvalget. Estimert aritmetisk setralverdi for sub-populasjo Y a: E(U ) a = y 1+ y y = y i Uasett, vi plotter setralverdier for våre setralverdier (ete de er beregede (U ) a eller estimerte (E(U )) a i i et diagram (figur 3). Vi trekker e rett lije gjeom setralverdiee. I figur 3 ka vi teoretisk omtale dette som e Populasjoskarakteristikk. Me, i praksis burde vi sakke om e Utvalgskarakteristikk. [4] Side 3
4 3. «Kosmisk støy» Vår trykksesor har korrelasjo mellom trykk (kalt x-verdi) og sigalrespos (kalt y-verdi). Sekudært har istrumetet flere midre korrelasjoer som vi ikke har kotroll på. Dette ka være i hvilke grad sesorrespose er temperaturavhegig, i hvilke grad sesorrespose er avhegig av stabilitete på krafttilførsel, i hvilke grad istrumetet reagerer på elektromagetisk iterferes (EMC/EMI), i hvilke grad istrumetet reagerer på vibrasjoer og så videre. Så selv om vi holder kalibrerigstrykket stabilt, for eksempel 10,0 Barg, så vil vi likevel over tid observere e sigalrespos som varierer oe. I de videre diskusjo kaller jeg dee variasjoe for «kosmisk støy». s ε 0 «Kosmisk støy» s ε Figur 3: «Kosmisk støy» som gjør at istrumetrespose Y varierer til tross for at de påtrykte verdie (x) er kostat. Vi atar at dee variasjoe er ormaltfordelt (Gauss-kurve). De har variase Var( ). Vi ka beskrive et usikkerhetsitervall s ε for de «kosmiske» støye. Variasjoe er symmetrisk rudt de lokale 0-verdie. «Kosmisk støy» er ormalfordelt, med setralverdi = 0 ε = 0 [] Variase for de «kosmiske» støye er: Var ( ) = ( 1 ε ) + ( ε ) ( ε ) [6] Stadardavviket for de «kosmiske støye» er kvadratrote av variasuttrykket: s ε = Var ( ) = ( i ) ( ) [7] NB (se figur 4): Det er viktig å legge merke til at for e gitt x i-verdi, er variasjoe i respose y i (Var (y i)) lik variasjoe for de «kosmiske støye» Var ( ). Side 4
5 Y (avlest verdi [Volt]) x i og estimert y i ("Best Fit"-lije) 6 Best Fit-lije: y = 0,187x + 1, De «kosmiske» støye ( ) er uavhegig av x-verdie (se figur 3), og vil igå i resposkarakteristikke. Populasjoskarakteristikk Best Fit-lije Måleserie Setralverdi for subpopulasjo 0 0,0,0 10,0 1,0 0,0,0 X (Påtrykt [Barg]) Figur 4: Populasjoskarakteristikk (rød stiplet strek) og «Best Fit»-lije (basert på et tilfeldig uttrekk av datapar som i vist i tabell (sorte prikker) fra hver av de fem sub-populasjoee (med si lokale setralverdi; røde prikker). 4. Populasjoes hypotetiske likig Vi forutsetter i de videre diskusjo at populasjoe har e lieær karakteristikk som ka beskrives slik: U Y x =βx+α [8] Populasjoskarakteristikke er e rett lije med stigigstallet β, hvor lije skjærer y-akse i α. Dee har jeg teget i i figur 3 som e stiplet rød strek. Det bemerkes at dette er e hypotetisk tekt lije. Vi ka aldri vite med sikkerhet hvor dee ligger, me vi vet at dee lije fis. U Y x =βx+α + [9] -parametere er/har ikke é fast verdi. De varierer i størrelse for hver gag vi avleser et datapar [x i,(y i+ )]. Variasjoe i figur 3 og 4, her det orasje området, ka tilsvarede assosieres som variasjo i områdee Y a, Y b, Y c, Y d, og Y e i figur. Side
6 . Lieær regresjo I figur 3 er det teget i é lieær regresjoslije (grø heltrukke strek). Dee er bereget ut i fra et tilfeldig tallsett fra de fem sub-populasjoee. I dette tilfellet har vi fem følgede datapar (se tabell ). Dataparee er teget i som sorte prikker i figur 1 og 4. Me, hva hvis vi hadde trukket ut/avlest adre Y-verdier år vi gjorde kalibrerige av istrumetet? Jo, da ville vi selvfølgelig kalkulert e regresjoslije med adre koeffisieter b og a. Eksempel 1 Eksempel Eksempel 3 Eksempel 4 Eksempel x (Barg) y (volt) y (volt) y (volt) y (volt) y (volt) 0 1,0 1,1 1,1 1,3 0,8,,,3 1, 1, 10 3,1 3,1 3,1 3, 3, 1 3,7 3,7 3,9 4,3 4,3 0,0 4,9 4,9,0, y =bx+a b = 0,184 a = 1, b = 0,176 a = 1,30 b = 0,184 a = 1, b = 0,04 a = 1,0 b = 0,44 a = 0,6 Tabell 3: Eksempler på ulike resposer (y-verdier) på gru av «kosmisk støy». Dette gir oe forskjellige estimater på koeffisietee b og a. Alle eksemplee har det samme rotasjospuktet (X, Y ) X = 10,0 og Y = 3,06. I og med «kosmisk støy» ( ), må vi tilsvarede kostruere et usikkerhetsitervall (PI Predictio Iterval). Dette itervallet skal fortelle oss at vi med 9 proset sikkerhet forveter å det este datapuktet. Det este datapuktet har to usikkerheter kyttet til seg (se figur og figur 6) Forklarlig avvik basert på regresjosmodelle De første usikkerhete er hvor regresjoslije befier seg (figur ). De resposverdi (y-verdi) som best represeterer datasettet er setralverdie for datasettet (Y ). Basert på regresjosmodelle [bx + a ], for e gitt este x-verdi, forveter vi at de este resposverdie skal ha verdie (y i = Y + Y i ). Y i kalles ofte for det forklarlige avviket. Koeffisietee b og a har et usikkerhetsitervall kyttet til seg. I dee artikkele skal jeg å vise uttrykket for disse. Oppsummert: Vi skal bestemme et variasjosuttrykk Var(y ). i [10] Uforklarlig avvik basert på regresjosmodelle Kikk på figur 6. Kosmisk støy ka ikke forklares direkte av regresjosmodelle, og kalles derfor de uforklarlige bidraget. Oppsummert: Vi skal bestemme et variasjosuttrykk Var( ). [11] Side 6
7 Y (respos) x i og estimert y i ("Best Fit"-lije) a y Y (X, Y ) b (x i, y ) i (X i = x i X ) (Y i = y i Y ) Best Fit-lije 0 X x i 0,0,0 10,0 1,0 0,0,0 x Figur : Grafisk fremstillig av rotasjospuktet (X, Y ), og koeffisietee b og a for de rette regresjoslije ŷ =bx+a. [1] Vi skal seere i dee artikkele vise at regresjoslije har et rotasjospukt i (X, Y ). Vi har tidligere sakt at de ekeltverdi for best represeterer e gruppe er de aritmetiske setralverdie. I vårt tilfelle ka vi aturlig forklare hvorfor resposverdie for (x i ) var y i og ikke Y. De ekle årsake er sesorkarakteristikke mellom de uavhegige variabele x og de avhegige variabele y. Vi sakker om det forklarlige residual. Avviket mellom y i og Y har e aturlig forklarig gruet istrumetkarakteristikke, og ka bereges. For e tilfeldig x-verdi (x i ) ka vi berege de forvetede resposverdie (y ). Et utgagpukt for å berege de forvetede y i er å bruke regresjoslikige. Ulempe er at eå ikke kjeer a- verdie. Me, dee gage tar vi utgagspukt i rotasjospuktet for lije. Vi har å alterativ måte å berege de forvetede resposverdie (for det orasje puktet): y i = Y + b(x i - X ) [13] Fordele med dee likige [11] i stedet for y =bx+a, er at å har vi «kvittet oss med» a- koeffisiete i likige. Vi har å ku é variabel utfordrig; b. Vi forutsetter at våre påtrykte trykkverdier (x-verdier) er øyaktige (x-verdie er ikke beheftet med varias). Side 7
8 Y (respos). Variasjo i avlest resposverdi (Y i ) og forvet resposverdi (y i) 6 x i og estimert y i ("Best Fit"-lije) y i 4 3 y Y R i = Residual = (y i y ) i (X, Y ) b (x i, y i ) (x i, y ) i Best Fit-lije 1 a 0 0,0,0 10,0 X x i 1,0 0,0,0 x Figur 6: For på påtrykte x-verdie (x i ) har vi her et avvik mellom de forvetede resposverdie (y i) og de faktiske avleste resposverdie (y i). Avviket mellom de observerte respose og regresjospuktet [y i y i] er e av de viktigste størrelsee i dee artikkele! Me, vår observasjo (y i ) lå ikke på de forvetede respose (y i). Dette skyldes «kosmisk støy». Ja, vi har e aturlig forklarig på avviket mellom (y i ) og (y i), me vi har ige muligheter for å berege dee på forhåd. Vi vet at de avleste verdie (y i ) har e fordelig som vist i figur 3. Vi bereger det uforklarlige Residual for våre fem datapar fra tabell (x 1, y 1 ), (x, y ), (x 3, y 3 ), (x 4, y 4 ), og (x, y ). Matematisk uttrykker vi variase for de uforklarlige Residual slik for våre datapar: S = (Residual i ) = (y i y i) [14] Vi erstatter y i med [Y + b(x i - X )], og får S = (y i [Y + b(x i X ]) [1] Vi rydder litt i likige, og får S = ([y i Y] + b[x i X ]) [16] Vi setter y i Y = Y i x i X = X i Y i er total residual for et pukt. Avvik mellom observasjo (y i ) og setralverdie (Y ). X i er edrige som gjøres fra påvirkigspuktet (x i ) og setralverdie (X ). [17] [18] Y i = Total Residual = Forklarlig Residual + Uforklarlig Residual = (y i Y ) + (y i y i) = y i Y [19] Side 8
9 Vi skal å beskrive variasutrykket slik: S = ([y i Y] b[x i X ]) S = (Y i bx i ) [0] [1] Vi øsker å bestemme e «Best Fit»-lije med de miste verdi på S, det vil si med mist variasjo. Dette fier vi å derivere fuksjoe S og sette det deriverte uttrykket lik Bestemme Var( ). Bestemme uttrykket Var( ) er gaske ekelt. Kikk på figur 3! Variasjo av det uforklarlige er variasjoe av kosmisk støy. Var( ) = (σ ) [] 7. Bestemme utrykk for Var(y i ). Vi har e flertrisvei på gå for å bestemme Var(y ). i Først må vi bestemme verdie på koeffisiete b som igår i regresjoslikige. Dette gjøres i pukt 7a. Deretter må vi bestemme et usikkerhetsitervall for dee koeffisiete. Dette gjøres i pukt 7b. Til slutt bestemmer vi Var(y ). i Dette gjøres i pukt 7c. a. Bestemme utrykk koeffisiete b For å lettere komme frem til det deriverte uttrykket av S, bruker vi kjereregele. ds = ds dk db dk db [3] Vi defierer kjereuttrykket: K = Y i bx i [4] Vi ka å skrive variasjosuttrykket [19] slik: S = (K) [] Kjereregele sier at vi skal derivere fuksjoe med hesy til kjere ( ds ), og multipliserer dette med de deriverte av kjere ( dk db ). Vi gjør altså derivasjoe av S i to etapper. Vi deriverer fuksjoe med hesy til kjere: dk ds = dk (K) 1 = (K) 1 = K Vi deriverer kjere med hesy til b: [6] Side 9
10 dk = d(y i bx i ) = 0-1X db db i b 1 1 = X i b 0 = X i 1 = X i [7] Når vi gjør partiell derivasjo med hesy til b, er X i og Y i å betrakte som kostater. Og, deres deriverte er derfor 0. Vi setter samme uttrykkee, slik at vi ka bestemme de deriverte av S med hesy på b, slik ds = ds dk = [ K db dk db ] [ X i ] = (Y i bx i ) [ X i ] = ( X i Y i + bx i ) Vi er iteressert å bestemme de b-verdi som gjør det deriverte uttrykket lik 0. ds db = 0 ( X i Y i + bx i ) = 0 Vi dividerer vestre og høyre side med. ( X i Y i +bx i ) = 0 ( X i Y i + bx i ) = 0 [8] [9] [30] [31] [3] Vi løser opp paretese, og får: ( X i Y i ) + b (X i ) = 0 Vi rydder litt til, og løser dette med hesy til b, og får b (X i ) = (X i Y i ) Vi dividerer med (X i ) på vestre og høyre side, og får: b= (X iy i ) (X i ) = Kovarias (X,Y) Varias(X) [33] [34] [3] Stigigstallet b for de lieære regresjoslije forholdet mellom fuksjoe Kovarias for dataparee og variase av de påtrykte verdie. Figur 7: Skjermdump fra Microsoft Excel Side 10
11 I Microsoft Excel ka vi bruke fuksjoe =KOVARIANS.S(A6:B10) for våre datapar (celle A11). Og, tilsvarede =VARIANS.S(A6:A10) for å bestemme variase (celle B11). b. Bestemme usikkerhetsitervall (stadard avvik) for uttrykket b Side b= (X iy i ) (X i ) ka vi kalkulere variase av b slik: Var (b) = Var ( (X iy i ) ) (X i ) Side vi atar at alle x-verdier ikke er beheftet med variasjoer, ka vi derfor uttrykke disse som kostater. Vi ka derfor omskrive utrykket over til å bli slik: Var (b) = Var ( (X iy i ) )= 1 (X i ) ( (X i )) (X i Y i ) Og husk at fuksjoe Var er å ta kvadratet av uttrykket, så år vi trekker ut kostater ( (X i ) fra uttrykket, skal uttrykket ( X i ) kvadreres! Videre, vi har at uttrykket Var ( (X i Y i )) ka skrives slik: Var ( (X i Y i )) = Var (X 1 Y 1 + X Y X Y ) Igje betrakter vi x-verdier som kostater og ka trekkes ut av paretese. Og husk at fuksjoe Var er å ta kvadratet av uttrykket, så år vi trekker ut kostater ut av uttrykket, skal disse kvadreres! Var ( (X i Y i )) = Var (X 1 Y 1 + X Y X Y ) = X 1 Var(Y 1 ) + X Var(Y ) X Var(Y ) [36] [37] [38] [39] Fra figur 4, som tok for seg «Kosmisk støy», sa vi at variasjosområdet for gjelder for alle x-verdier. I dette tilfellet ka vi derfor sette: Var(Y 1 ) = Var(Y ) =... = Var(Y ) = Variasjo av «kosmisk støy» = (σ ) = (σ Residual ) [40] Vi har med adre ord é felles varias for residual y, og vi erstatter det oveevte uttrykket med (σ ) = (σ Residual ). Var ( (X i Y i )) = X 1 Var(Y 1 ) + X Var(Y ) X Var(Y ) = (X 1 + X...+ X ) (σ ) Var ( (X i Y i )) = ( X i ) (σ ) Vi går tilbake til utrykket for Var(b), og får Var (b) = Var ( (X iy i ) X i ) = Var (b) = ( X i ) (σ ( X i ) ) = 1 ( (X i )) (σ ) X i Var ( (X i Y i ) ) = 1 ( (X i )) ( X i ) (σ ) Fra tidligere hadde vi X i = [x i X ]. Alterativ måte i beskrive variase til b på er slik: [41] [4] [43] [44] [4] Side 11
12 Var (b) = (σ ) X i = (σ ) (x i X ) Estimatet for stadardavviket for stigigskoeffisiete b (s b ) i e lieær regresjo er kvadratrote av variasuttrykket: s b = Var(b) = (σ ) (x i X ) = (σ ) (x i X ) = s (x i X ) = Stadardusikkerhet for Residual (x i X ) [46] Vi treger med adre ord å berege stadard usikkerhet for residual, og dividere med kvadratrote av summe av de kvadrerte x-differase. c. Bestemme Var(y i ). Usikkerhetsitervallet for estimert gjeomsitt ka å bereges. Usikkerhete ka bereges med Var(y ). Vi vet at estimert y ved x-verdie ka uttrykkes slik: y = Y + b(x - X ) [47] Vi brukes samme varias-teorem som tidligere. Var (y ) = Var (Y + b(x - X )) [48] Vi betrakter (x - X ) som e kostat. Vi løser opp Var-paretese Var (y ) = Var (Y ) + [(x X ) Var(b)] [49] Det første deluttrykket i Var (y ) er Var (Y ). Vi har at setralverdie av y er summe av alle y i delt på atall y-verdier. Y = Vi har å yi Var (Y ) = Var ( Fra før har vi at: Var (b) = y i (σ ) (x i X ) ) = 1 Var ( y i) = 1 ( (σ ) ) = (σ ) [0] [1] [] Nå har vi: Var (y ) = Var (Y ) + [(x X ) Var(b)] = (σ ) + [(x X ) (σ ) (x i X ) ] [3] Vi rydder i ligige: Var (y ) = (σ ) ( 1 + (x X ) (x i X ) ) [4] Side 1
13 8. PI (Predictio Iterval) a. Stadard usikkert Variasjositervallet for de este y, Var(y p), er: Total forvetet variasjo = Forvetet uforklarlig variasjo + forvetet forklarlig variasjo Var(y p) = Var( ) + Var(y ) i Var(y p) = (σ ) + (σ ) ( 1 + (x X ) Var(y p) = (σ ) ( (x X ) (x i X ) (x i X ) ) ) [] [6] [7] Stadard usikkerhet for Var(y p) er: S e = Var(y p ) = (σ ) ( (x X ) (x i X ) ) = σ (x X ) (x i X ) ) [8] b. Utvidet stadard usikkerhet Ved forsøk som ikluderer 30 eller færre datapar, bør vi bruke Studet t-faktor for å ta hesyet til små sub-populasjoer. I vårt tilfelle har vi fem sub-populasjoer. T-verdie ka vi fie i tabeller, eller la Excel berege dee for oss. T (α/,v) [9] Kofidesitervallet er 100(1- α). α har verdie (0,0) = proset, i og med vi er på jakt etter usikkerhetsitervallet 9 %. Usikkerhete % skal fordeles på to sider (/ «tail»). Parametere v er «Degrees of Freedom). v = [60] Vi har = datapar, og subtraherer med verdie i og med vi har variabler (x- og y-parametere). Excel-fuksjo: =T.INV.T(0,0;3) [61] c. Øvre og edre greseverdi for «Predictio»-itervall Setter vi det hele samme PI = [«Best Fit»-lije] ± [ usikkerhetsitervall ] PI = [bx + a ] ± [ T (α/,v) (y i y i ) ( ) (x X ) (x i x ) ] [6] [63] Side 13
14 I Microsoft Excel ka det se slik ut for å berege PI edre og PI øvre. Figur 8: Skjermdump fra Microsoft Excel Vi ka la Excel tege opp verdiee for oss (figur 8). Side 14
15 Y (avlest verdi [Volt]) x og estimert Y ("Best Fit"-lije) 7 6 Best Fit-lije: Y = 0,187x + 1, Best Fit-lije PI edre PI Øvre Måleserie (X, Y ) 0 0,0,0 10,0 1,0 0,0,0 X (Påtrykt [Barg]) Figur 8: Grafisk presetasjo fra Microsoft Excel på datapar, «Best Fit» -lije med usikkerhetsitervall for det este dataparet. Neste datapukt skal med 9 proset sasylighet ligge iefor det evte «Predictio» itervallet. Det er proset sjase for at det este datapuktet vil ligge utefor «Predictio» itervallet. Da det er lite sasylighet for at det este datapuktet skal ligge utefor «Predictio» itervallet, og vi bør være varsom med å godkjee/ta i bruk et slikt datapukt. Iallfall må vi øye udersøke hvorfor vårt este datapar havet på utside av «Predictio» itervallet. Det ka være at dataparet har e eller flere av feil kyttet til seg, oe som gjør dataparet til e ekstremverdi/»uteligger». Med velig hilse Traior Elsikkerhet AS Rue Øverlad Seiorigeiør Tøsberg april 01 Side 1
«Best Fit»-linje med usikkerhetsintervall (CI)
«Best Fit»-lije med usikkerhetsitervall (CI) v/rue Øverlad, Traior Elsikkerhet AS 1. Iledig Dee artikkele utleder formel for usikkerhetsitervallet CI (Cofidece Iterval) som omslutter e «Best Fit»-lije.
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,
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
DetaljerLineær regresjonsanalyse (13.4)
2 Kap. 13: Lieær korrelasjos- og regresjosaalyse ST0202 Statistikk for samfusvitere Bo Lidqvist Istitutt for matematiske fag Kap. 13.1-13.3: Lieær korrelasjosaalyse. Disse avsitt er ikke pesum, me de lieære
Detaljer«Uncertainty of the Uncertainty» Del 5 av 6
«Ucertaity of the Ucertaity» Del 5 av 6 v/rue Øverlad, Traior Elsikkerhet AS Dette er femte del i artikkelserie om «Ucertaity of the Ucertaity». Jeg skal vise deg utledig av «Ucertaity of the Ucertaity»-formele:
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
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
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
DetaljerTMA4245 Statistikk. Øving nummer b5. Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag
TMA4245 Statistikk Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer b5 Oppgave 1 Eksame mai 2001, oppgave 1 av 4 Vi ser på kosetrasjoe av et giftstoff i havbue like utefor
DetaljerTMA4240 Statistikk Høst 2016
Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Abefalt øvig 2 Løsigsskisse Oppgave a Miste kvadraters metode tilpasser e lije til puktee ved å velge de lija som miimerer kvadratsumme
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
Detaljer11,7 12,4 12,8 12,9 13,3.
TMA4240 Statistikk Vår 2008 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer b6 Oppgave 1 Eksame mai 2001, oppgave 1 av 4 Vi ser på kosetrasjoe av et giftstoff i havbue
DetaljerHypotesetesting, del 5
Oversikt, del 5 Kofidesitervall p-verdi Kofidesitervall E (tosidig test ka gjeomføres vha. av et kofidesitervall. For eksempel, dersom vi i målemodell 1 vil teste: H 0 : μ = μ 0 mot H 1 : μ μ 0, ka vi
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
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
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
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 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
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
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
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
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
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
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
DetaljerKalibreringskurver; på jakt etter statistisk signifikante datapar
Kalibreringskurver; på jakt etter statistisk signifikante datapar v/rune Øverland, Trainor Elsikkerhet A/S Den siste artikkelen om kalibrering og statistikk tar for seg praktisk bruk av Microsoft Excel
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
DetaljerTMA4240 Statistikk Høst 2015
TMA4240 Statistikk Høst 2015 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer 12, blokk II I dee siste øvige fokuserer vi på lieær regresjo, der vi har kjete kovariater
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
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
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
DetaljerSentralverdi av dataverdi i et utvalg Vi tenker oss et utvalg med datapar. I vårt eksempel har vi 5 datapar.
Statistisk behandling av kalibreringsresultatene Del 4. v/ Rune Øverland, Trainor Elsikkerhet AS Denne artikkelserien handler om statistisk behandling av kalibreringsresultatene. Dennne artikkelen tar
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
DetaljerKommentarer til oppgaver;
Kapittel - Algebra Versjo: 11.09.1 - Rettet feil i 0, 1 og 70 og lagt i litt om GeoGebra-bruk Kommetarer til oppgaver; 0, 05, 10, 13, 15, 5, 9, 37, 5,, 5, 59, 1, 70, 7, 78, 80,81 0 a) Trykkfeil i D-koloe
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
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
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
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
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:
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
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
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
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
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,
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
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
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
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
DetaljerOM TAYLOR POLYNOMER. f x K f a x K a. f ' a = lim x/ a. f ' a z
OM TAYLOR POLYNOMER I dette otatet, som utfyller avsitt 6. i Gullikses bok, skal vi se på Taylor polyomer og illustrere hvorfor disse er yttige. Det å berege Taylor polyomer for håd er i prisippet ikke
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,
Detaljer2T kapittel 3 Modellering og bevis Utvalgte løsninger oppgavesamlingen
T kapittel 3 Modellerig og bevis Utvalgte løsiger oppgavesamlige 301 a Sitthøyde i 1910 blir 170,0 171, 4 170,7. I 1970 blir de 177,1 179, 4 178,3. b Med som atall år etter 1900 og y som sitthøyde i cetimeter
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
DetaljerLøsning eksamen R1 våren 2010
Løsig eksame R våre 00 Oppgave a) ) f ( ) l f ( ) ' l l l l f ( ) (l ) ) g( ) 4e g( ) 4 e ( ) 4 e ( ) g( ) 4( ) e b) ( ) 4 4 6 P ) P() 4 4 6 8 6 8 6 0 Divisjo med ( ) går opp. 4 4 6 : ( ) 8 4 4 8 6 8 6
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
DetaljerEKSAMEN. Oppgavesettet består av 5 oppgaver, hvor vekten til hver oppgave er angitt i prosent i oppgaveteksten. Alle oppgavene skal besvares.
EKSAMEN Emekode: SFB12003 Eme: Metodekurs II: Samfusviteskapelig metode og avedt statistikk Dato: 2.6.2014 Eksamestid: kl. 09.00 til kl. 13.00 Hjelpemidler: Kalkulator Faglærer: Bjørar Karlse Kivedal Eksamesoppgave:
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
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 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
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
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
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-aturviteskapelige fakultet Eksame i: STK2100 Løsigsforslag Eksamesdag: Torsdag 14. jui 2018. Tid for eksame: 14.30 18.30. Oppgavesettet er på 6 sider. Vedlegg: Tillatte
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
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
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 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
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
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
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
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
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
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
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)
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,.
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
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 av
DetaljerLøsningsforslag til prøveeksamen i MAT1110, våren 2012
Løsigsforslag til prøveeksame i MAT, våre Oppgave : Vi har A = 3 III+I I+II 3 ( )II 3 3 Legg merke til at A er de utvidede matrise til ligigssystemet. Vi ser at søyle 3 og 4 i de reduserte trappeforme
DetaljerTotalt Antall kandidater oppmeldt 1513 Antall møtt til eksamen 1421 Antall bestått 1128 Antall stryk 247 Antall avbrutt 46 % stryk og avbrutt 21%
TMA4100 Høste 2007 Norges tekisk aturviteskapelige uiversitet Istitutt for matematiske fag Kommetarer til eksame Dette dokumetet er e oppsummerig av erfarigee fra sesure av eksame i TMA4100 Matematikk
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
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
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 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
DetaljerOPPGAVE 4 LØSNINGSFORSLAG OPPGAVE 5 LØSNINGSFORSLAG UTVIKLING AV REKURSIV FORMEL FOR FIGURTALL SOM GIR ANDREGRADSFUNKSJONER
OPPGAVE 4 LØSNINGSFORSLAG Tallfølge i f) rektageltallee. Her er de eksplisitte formele R = ( +1) eller R = +. Dette er e adregradsfuksjo. I figurtallsammeheg forutsetter vi at de legste side er (øyaktig)
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.
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).
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
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
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
DetaljerAVDELING FOR INGENIØRUTDANNING EKSAMENSOPPGAVE
AVDELING FOR INGENIØRUTDANNING EKSAMENSOPPGAVE Eme: Statistikk Gruppe(r): Alle ( 2. årskull) Eksamesoppgav Atall sider (ikl. e består av: forside): 5 Tillatte hjelpemidler: Emekode: LO070A Dato: 11.06.2004
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
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
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
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
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
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
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
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 >
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
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
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
Detaljer