Innføring i medisinsk statistikk
|
|
- Filip Farstad
- 7 år siden
- Visninger:
Transkript
1 Stoastis forsø el. esperimet Iførig i medisis statisti KLH3 - Høst 9 Kapittel. Stoastis variabel og Disret sasylighetsfordelig Et ret teis begrep for e prosess der hesite er å framsaffe data om hedelser der utfallet a variere og ie forutsies med sierhet. Hvile muligheter som foreligger, er imidlertid jet. Noe esempler på stoastise forsø: a) Kast med pegestye. Registrerer resultat (utfall) som Kroeside opp eller Mytside opp. b) Kast med e treig. Registrerer resultat (utfall) som atall øye som terige viser. c) Kast med et pegestye itil resultatet Kroe opptrer første gag. Noterer atall ast (utfall) i astserie. d) Sydom. Registrerer resultat (utfall) som Fris, Krois sy eller Død. Harald Johse, aug. 9 Felles for a, b, c og d: I hvert eelt tilfelle a vi ie forutsi hva utfallet av esperimetet blir. Me det a agis e megde (utfallsrommet) av mulige eelutfall sli at hvert eelt forsø gir som resultat ett og bare ett av resultatee i megde. For esempel i ast med é terig vet vi på forhåd at utfallet må bli ett og bare ett av tallee,, 3,,6 der tallet beteger atall øye opp. I hvert tilfelle a e, i alle fall tee seg, at et esperimetet a gjetas uder samme betigelser så mage gager e øser, og det er i tillegg uderlagt statistis regelmessighet. Utfallsrom, eeltutfall og hedelse Megde av alle eeltutfall (eg.: elemetary outcomes) i et (stoastis) forsø alles utfallsrommet (eg.: sample space) og beteges valigvis med S. Eeltutfallee blir derfor elemeter utfallsrommet. I esemplee ovefor blir utfallsrommee: a) S = {Kro, Myt} b) S = {,, 3,, 5, 6} Statistis regelmessighet Ata et stoastis forsø, for esempel ast med mytstye, der A er hedelse ro opp. Mytstyet astes gager og atall gager som resulterer i ro, alles A. Det viser seg erfarigsmessig at de relative hyppighet av A, A /, har e tedes til å stabilisere seg i ærhete av et bestemt tall p år gjøres større, og i e y forsøsserie vil erfarigsmessig A / igje stabilisere seg rudt p. De relative hyppighete av A er et aslag (estimat) for sasylighete for ro i et ast, og det er opplagt at A. c) S = {,, 3,, 5, 6, 7, 8,.} d) S = {Fris, Krois sy, Død} Mer at elemeter i et utfallsrom a være e målbar størrelse uttry som tall, eller være valitative som for esempel utfallet av e sydom. 3
2 Utfallsrom disret eller otiuerlig I esemplee a, b og d består utfallsrommet av edelig mage elemeter. I esempel c består utfallsrommet av uedelig, me ummererbart atall elemeter. Alle situasjoee ovefor er esempler på disrete utfallsrom. Dersom utfallsrommet består av uedelige mage elemeter som ie lar seg ummerere, sies det å være otiuerlig. Dette er tilfelle år vi har å gjøre med e otiuerlig målesala som f. es. høyde, vet osv. Hedelse E hedelse (eg.:: evet) består av ett eller flere av elemetee i utfallsrommet og tilfredsstiller et eller aet riterium. F. es. a det være av iteresse å registrere hvor vidt mist øye opptrer i et terigast. Her blir hedelse megde A={, 5, 6}, m.a.o. e udermegde av utfallsrommet S. Hedelse A itrer år terige viser, 5 eller 6 øye. I tifeller der utfallsrommet er edelig, vil ehver udermegde av utfallsrommet ue utgjøre e hedelse. Stoastis variabel Forelet sagt er e stoastis variabel, (stor) X, er e fusjo av utfallet e i et esperimet. For hvert utfall har X(e) e bestemt, umeris verdi. dvs. et tall. X a godt ha samme verdi for ulie utfall, me u é verdi for hvert eelt utfall. Esempel: Kast med myt to gager. Esempelvis vil eeltutfallet KM bety Kro i. ast og Myt i adre ast osv. Utfallsrommet blir da S = {KK, KM, MK, MM} med eeltutfallee e = KK, e = KM, e 3 =MK og e = MM. Dersom atall Kro er hedelse av iteresse, får vi: X(e )=, X(e )=, X(e 3 )=, X(e )= Valigvis sløyfes argumetet e i uttryet for e stoastis variabel. I esemplet overfor a X da defieres sli:, e= MM X =, e = MK eller KM, e= KK 5 6 Disret stoastis variabel Kotiuerlig stoastis variabel (mer om dette i Kap. 5) E stoastis variabel med mulige verdier som ie a ummereres, alles e otiuerlig stoastis variabel. Syoym: Målevariabel, salavariabel Noe egesaper til otiuerlig stoastis variabel: Sasylighete for å ita e bestemt verdi er ull. E stoastis variabel som bare a ata et edelig atall verdier, eller høyst et ummerert atall verdier, alles e disret stoastis variabel. Syoym: Tellevariabel Noe egesaper: Variabele a evetuelt ha uedelig mage verdier, me de må ue ordes i e seves og telles. Sasylighete for e eelte verdier er gitt av e putsasylighet Sasyligheter uttryes over itervall av eeltverdier ved hjelp av e sasylighetstetthet. 7 8
3 Sasylighetsfordelig for disret stoastis variabel - putsasylighet Verdiee som e disret variabel a ata og tilhørede sasylighet a uttryes ved hjelp av e Sasylighetsfordelig esempel Es.6: Sasylighetsfordelig for atall som blir ormotesive av hypertoiere som har fått blodtrysseede mediamet Putsasylighet (probability mass fuctio) Sasylighetsfordelige utryes som P(X=x), der x beteger de mulige verdier for X. Kast med rettferdig terig, x =,, 3,, 6. Sasylighete er de samme for alle utfall (uiform fordelig) x 3 P(X=x) Mer at sasylighete for e bestemt verdi alltid ligger mellom og og at summe av sasylighetee for alle mulige verdier av X alltid er li. x P(X=x) /6 /6 /6 /6 /6 / Sasylighetsfordelig Forvetigsverdi for disret stoastis variabel Et mål for tygdeputet i sasylighetsfordelige Bereges som et veid gjeomsitt av hver eelt verdi x i av de stoastise variabele. Vetee er sasylighete for de eelte verdier de stoastise variabele a ha. Pr(X=r).3. μ= E[ X] = x P( X = x ) + x P( X = x ) x P( X = x ) = x P( X = x ) i i i=.. 3 Atall ormotesive etter behadlig Spesialtilfelle: Ved uiform sasylighetsfordelig, dvs. sasylighete er de samme for alle verdier av X, er forvetige li de aritmetise middelverdi av de mulige verdier av X. NB: På egels a mea bety både middelverdi (mea value) og forvetig (expected value), alt etter meigssammehege. På ors sjeler vi mellom disse to begrepee, og de er ie idetise.
4 Forvetigsverdi - esempel Kast med terig, X er mulige atall øye, x er realiserige av X. x P( X =x) /6 /6 /6 /6 /6 /6 6 EX [ ] = xpx ( = x) x= = P( X = ) + P( X = ) + 3 P( X = 3) + P( X = ) + 5 P( X = 5) + 6 P( X = 6) = = = Forvetige tilsvarer gjeomsittet av øye ved (uedelig) mage terigast. Mer som her at forvetigsverdie ie ødvedigvis tilhører utfallsrommet for det eelte forsø. Forvetigsverdi - esempel EKS.9; Forvetigsverdie for X= atall ormotesive etter blodtrysbehadlig av hypertoiere x 3 P(X=x) μ= EX [ ] = xpx ( = x) x= = P( X = ) + P( X = ) + P( X = ) + 3 P( X = 3) + P( X = ) = =. 8 Mer at dette er populasjosforvetige. De er reget ut ute å gjøre oe forsø og observere oe tig som helst. 3 Varias for disret stoastis variabel Variase Var(X) er et mål på spredige av de uderliggede data rudt forvetigsverdie σ = Var( X) = ( x μ) P( X = x ) i= Mer av variase er forvetige til ( X μ) Var( X ) = E ( X μ ) = E( X μ X +μ ) = E( X ) μ E( X) +μ = E( X ) μ +μ i ( ) = E( X ) μ = E( X ) E( X) Fordi variase alltid er ie-egativ, følger også at EX ( ) EX ( ) ( ) i og a derfor også uttryes som Varias - esempel EKS.9: Variase til X = atall ormotesive etter blodtrysbehadlig av hypertoiere x 3 P(X=x) EX ( ) =μ= 8. Var( X ) = ( x μ) P( X = x) = E( X ) μ x= = P( X = ) + P( X = ) + P( X = ) + 3 P( X = 3) + P( X = ) 8. = =
5 Stadardavvi Forvetige har samme målesala (dimesjo) som de stoastise variable har, f.es. m (meter). Variase er imidlertid et vadratis uttry og får i dette tilfellet dimesjoe m. De positive rote til variase får imidlertid samme dimesjo som forvetige og alles stadardavviet: Esempel.9 (hypertoiere): SD( X ) + Var( X) =+ σ =σ Var( X ) =. 835 SD( X ) =. 835 =. 9 Mer at i lihet med varias er også stadardavvi e ie-egativ størrelse. Det er derfor meigsløst å oppgi stadardavviet som for esempel ±. 9. Sasylighetsfordelig og frevesfordelig Esempel.8: Sammeliig av teoretis sasylighetsfordelig med frevesfordelig fra utvalgsforsø. Utfall er atall hypertoiere som blir ormotesive. Forsøet er basert på leger som hver behadler hypertoiere Her blir forvetige i utvalget (estimert forvetig) basert på observasjoer: x= Atall hypertoiere uder otroll, x Sasylighetsfordelig P(X=x) Frevesfordelig (observert).8. =/.76.9 =9/.65. =/ 3..8 =8/..9 =9/ xp( X = x) = P( X = ) + P( X = ) + P( X = ) + 3 P( X = 3) + P( X = ) = = Sammeliig av teoretis sasylighetsfordelig og observert frevesfordelig.5. Litt ombiatori Har to grupper (megder), I og II med heholdsvis og elemeter: I:{ a, a, a3,..., a } II :{ b, b, b3,..., b } Hvor mage ulie par a daes med ett elemet fra hver gruppe? Svar: Ifører er tredje gruppe III :{ c, c, c3,..., c 3} Ka da dae 3 tripler med ett elemet fra hver gruppe. Sasylighet.3.. Kombiatorisetig: Ved ombiasjo av ett elemet fra hver av r grupper a det daes 3... r r-tupler der i er atall elemeter i i -te gruppe. To esempler: ) E afeteria tilbyr e 3 rettes middag med adgag til å velge é forrett blat 3, é hovedrett blat 6, samt é dessert blat. Atall mulige middager blir da 36 = 7. ) Tippig i fotball. amper, hver med 3 mulige utfall. Atall mulige måter å fylle ut e tipperee på blir = 3 = 53. Freves-fordelig. 9 3 Sas.fordelig Atall hypertesive uder otroll
6 Ordet utvalg I det følgede sal vi alltid foreta utvelgig fra e edelig megde (populasjo) av elemeter som vi beteger {a, a, a 3,,a }. Defiisjo: E hvile som helst ordet seves av elemeter fra populasjoe alles et ordet utvalg av størrelse. Et utvalg av størrelse 3 a for esempel være {a, a 5, a 7 } (forutsatt 7). I prisipp a vi tee oss at ett og ett elemet velges i gage. For å ue avgjøre hvor mage ordede utvalg som er mulige av totalt elemeter må vi først presisere om utvelgelse sjer med eller ute tilbaeleggig av elemetet etter hver treig. Noe regler fra ombiatorie Vi teer oss e ure (bos) med uler ummerert fra til. Så trees s uler é og é ad gage. Ordet utvalg med tilbaeleggig Regel : Når uler trees med tilbaeleggig fra e bos med uler, vil atall ordede utvalg være. Ved første treig er det muligheter. Kule legges tilbae, og i este treig er det igje muligheter osv. Dette gjøres gager. Spesielt a samme ule trees flere gager. Det totale atall ombiasjoer av merede uler blir da... =. Esempel: I det iterasjoale alfabet (A, B, C,,Z) er det 6 bostaver. Til et bilummer med bostaver a det daes 6 = 676 bostavpar dersom e tillater samme bostav å opptre begge gagee. Ordet utvalg ute tilbaeleggig Regel : Når uler trees ute tilbaeleggig fra e bos med uler, vil atall ordede utvalg være ( )( )... ( + ). Ved første treig er det muligheter, ved este (-) muligheter og deretter (-) osv. Etter est siste treig ligger (-(-)) uler igje i bose, og atall muligheter i siste (de -te) treig blir (-(-))=(-+). Det totale atall ordede ombiasjoer av merede uler blir da P ( )... ( + ). Esempel: Fra det iterasjoale alfabet a det daes e bostavode beståede av ulie bostaver på P = 6( 6 )... ( 6 + ) = = 3588 måter. 6 E oseves av Regel er at dersom alle uler, dvs. =, trees ut ute tilbaeleggig, a disse ulee ordes (permuteres) på P = ( )( )... 3 forsjellige måter. Uttryet ( )( )... 3 srives! og leses faultet. (Vi defierer!=). Dette gir: Regel 3: Atall permutasjoer av uler er! Ie-ordet utvalg Dersom uler trees fra uler ute tilbaeleggig, fis det P = ( )( )... ( + ) ordede utvalg på uler. Disse ulee a etterpå permuteres! gager, me ulee er de samme. Hvis vi ie er iteresserte i ordige av ulee, me bare hvile uler som trees ut (sli som i Lotto), blir problemstillige hvor mage ie-ordede utvalg som a foreomme. Vi aller dette atallet C. Hvert ieordet utvalg a permuteres! gager, og vi får lihete P = C! Dette gir P ( )( ) ( + ) C = =!! 3
7 ( )( ) ( + ) ( )!! = = =! ( )!!( )! Uttryet, biomialoeffisiee, leses over og må ie forvesles med. Regel : Når uler tees ute tilbaeleggig fra e bos med uler, vil atall ie-ordede utvalg være C! = =!( )! Esempel: Lottotreig. Treer ute tilbaeleggig 7 av 3 ummererte uler. Atall muligheter 3 3! 3! C = = = = = !( 3 7)! 7! 7! 7! 3 7 Biomis modell Et forsø som er araterisert ved i) Forsøet er (a tees) sammesatt av uavhegige eeltforsø ii) I hvert eeltforsø registreres hvorvidt é bestemt hedelse A opptrer eller ie iii) P(A )= p i alle eeltforsø (iebærer at P( A*) = p= q alles e biomis forsøsree. Esempler på situasjoer som a besrives ved biomis forsøsree: i) E aster gager med et pegestye og registrerer atall ast som resulterer i Kro ii) frø såes og e registrerer hvor mage som spirer etter e viss tid iii) E udersøer hvor mage eeltfødsler som resulterer i pie 5 6 Biomis fordelig Vi lar X (stoastis) være det atall av de eeltforsø som resulterer i hedelse A og ser på fordelige til X år er f. es. 3. Da vil utfallsrommet S bestå av 3 =8 eeltutfall Utfallsrom (S) Eeltutfall P(e i ) X A*A*A* e (-p) 3 A*A*A e p (-p) A*A A* e 3 p (-p) A A*A* e p (-p) A A A* e 5 p (-p) A A*A e 6 p (-p) A *A A e 7 p (-p) A A A e 8 p 3 3 Sasylighetsfordelige blir å: P(X=)= (-p) 3, P(X=)= 3(-p) p, P(X=)= 3(-p)p, P(X=3)= p 3 Dette a sammefattes som 3 P ( X = ) = p ( p) 3, =,,, 3 I det geerelle tilfelle med forsø blir sasylighete for å få eeltutfall A av mulige P ( X = ) = p ( p) Dette er de biomise fordelige, og de har e setral rolle sasylighetsregig og statisti. I prasis er det sjelde av iteresse å berege sasyligheter av type P(X=), me sarere av type P( X ) eller P( X > ). Vi får formele i i P ( X ) = p ( p) i= i i=,,,, 7 8
8 Esempel: Atar at sasylighete for pie i eeltfødsel er p= 5.. Hva er sasylighete for 9 pier i 8 fødsler? X=atall pier i =8 fødsler p = P( pie i eeltfødsel ) Biomis modell: =8 uavhegige forsø A = pie P(A)=p =.5 i alle forsø (fødsler) X = atall utfall A i =8 forsø P( X= 9) = 5. ( 5. ) = = = 9 9 Esempel, forts: E spåoe påstår hu er sys og at a forutsi jøet i e fødsel. Ser på 8 fødsler og observerer orrete forutsigelser. Gjetter hu bare? Spørsmål: Hva er sasylighete til å utsi mist orrete spådommer gitt at hu bare gjetter, dvs. p=.5? P( X ) = P( X = ) + P( X = 5) + P( X = 6) + P( X = 7) + P( X = 8) = =. 55 (fra tabell) Det er lite sasylighet for å forutsi orret mist av 8 gager ved re gjettig, så observasjoee a tyde på overaturlige ever. Forvetig og varias til idiatorvariabel Ser på et forsø med bare to mulige utfall ved utfall A, P( A) = p Idiatorvariabel: I = ved ufall A*, P( A*) = p = q E( I) = PI ( = ) + PI ( = ) = p E( I ) = PI ( = ) + PI ( = ) = p ( EI) Var( I) = E( I ) ( ) = p p = p( p) = pq 9 3 Forvetig og varias i biomis fordelig Atall A i forsø: X = I + I I = I i i= Forvetig: E( X) = E( I ) + E( I ) E( I ) = p+ p p= p Uavhegige eeltforsø (ige ovarias mellom I-ee) medfører: VarX ( ) = VarI ( ) + VarI ( ) VarI ( ) = pq+ pq pq= pq= p ( p) Poissofordelig estrastoff (bous, ie pesum) Noe gager har ma å gjøre med e biomis forsøsree der er stor og p er svært lite. Forvetet atall eeltutfall er som alltid μ= p. Uder betigelsee ovefor a det da vises at μ P( X = ) = e! μ Dette er poissofordelige, og det a videre vises at E( X) = Var( x) =μ Esempler på poissofordelte hedelser: i) Utsedig partiler fra e radioativ ilde over et visst tidsrom ii) Atall ollisjoer i e stert trafiert veiryss over et visst tidsrom iii) Atall sjelde celler i et sysfelt uder mirosopet iv) Atall tilfeller av e sjelde sydom i e stor populasjo over e viss tidsperiode 3 3
Kapittel 5: Diskrete sannsynsfordelingar TMA4245 Statistikk. 5.2 Diskret uniform fordeling NTNU NTNU NTNU
Kapittel 5: Disrete sasysfordeligar TMA4245 Statisti Rep.: Forvetig, varias og ovarias Forvetig (tygdeput, geeraliserig av empiris gjeomsitt): < P x µ = E(X) = R xf(x) (Xdisret) : xf(x)dx (Xotiuerlig)
DetaljerInnføring i medisinsk statistikk
Stoasts forsø el. espermet Iførg medss statst Del I - Høst 008 Kapttel 4. Dsret sasylghetsfordelg Harald Johse, sept. 008 Et ret tes begrep for e prosess der heste er å framsaffe data om hedelser der utfallet
DetaljerSTK1100: Kombinatorikk og sannsynlighet
ST1100: ombiatorikk og sasylighet Jauar 201 Ørulf Borga/Geir Storvik Matematisk istitutt Uiversitetet i Oslo 1 Uiform sasylighetsmodell: Et stokastisk forsøk har N utfall Det er de mulige utfallee for
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
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
DetaljerKapittel 9: Mer kombinatorikk
MAT00 Disret Matemati Forelesig : Mer ombiatori Roger Atose Istitutt for iformati, Uiversitetet i Oslo Kapittel 9: Mer ombiatori 5. april 009 (Sist oppdatert: 009-04-5 00:06) MAT00 Disret Matemati 5. april
DetaljerUlike typer utvalg. MAT0100V Sannsynlighetsregning og kombinatorikk. Ordnet utvalg uten tilbakelegging. Ordnet utvalg med tilbakelegging.
MAT0100V Sasylighetsregig og kombiatorikk Ordet utvalg med og ute tilbakeleggig (repetisjo) Uordet utvalg ute tilbakeleggig (repetisjo) Tilfeldige variabler og sasylighetsfordeliger Hypergeometrisk fordelig
DetaljerSTK1100: Kombinatorikk
1100: ombiatorikk auar 2009 Ørulf orga Matematisk istitutt Uiversitetet i Oslo 1 Uiform sasylighetsmodell: t stokastisk forsøk har N utfall Det er de mulige utfallee for forsøket i atar at de N utfallee
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
DetaljerKombinatorikk. MAT1030 Diskret matematikk Forelesning 20: Kombinatorikk. Repetisjon. Repetisjon
Kombiatori MAT Disret matemati orelesig : Kombiatori Roger Atose Matematis Istitutt, Uiversitetet i Oslo 7. april 8 Kombiatori er studiet av opptelliger, ombiasjoer og permutasjoer. Vi fier svar på spørsmål
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
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
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
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
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
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2010. Noen viktige sannsynlighetsmodeller. Binomisk modell. Kp. 3 Diskrete tilfeldige variable
ÅMA Saslighetsregig med statistikk, våre K. 3 Diskrete tilfeldige variable Noe viktige saslighetsmodeller Noe viktige saslighetsmodeller ( Sas.modell : å betr det klasse/te sas.fordelig.) Biomisk modell
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
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
DetaljerKapittel 5: Tilfeldige variable, forventning og varians.
Kapittel 5: Tilfeldige variable, forvetig og varias. Tilfeldige variable Tilfeldige variable kalles også stokastiske variable. Defiisjo: E tilfeldig variabel er e variabel som får si umeriske verdi bestemt
DetaljerKapittel 7: Noen viktige sannsynlighetsfordelinger
Kapittel 7: Noe viktige sasylighetsfordeliger I mage situasjoer ka feomeet vi ser på beskrives med e bestemt type sasylighetsfordelig e sasylighetsfordelig gitt ved e bestemt formel. Vi skal se på oe av
DetaljerKapittel 8: Estimering
Kaittel 8: Estimerig Estimerig hadler kort sagt om hvorda å aslå verdie å arametre som,, og dersom disse er ukjete. like arametre sier oss oe om oulasjoe vi studerer (dvs om alle måliger av feomeet som
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
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
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
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
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
DetaljerUlike typer utvalg. MAT0100V Sannsynlighetsregning og kombinatorikk. Ordnet utvalg uten tilbakelegging 29 (29 1) (29 2) (29 3) =
MAT000V Sasylighetsregig og kombiatorikk Urdede utvalg ute tilbakeleggig Pascals talltrekat og biomialkoeffisietee Ørulf Borga Matematisk istitutt Uiversitetet i Oslo Ulike typer utvalg Eksempel 6.: Vi
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
DetaljerH 1 : µ 1 µ 2 > 0. t = ( x 1 x 2 ) (µ 1 µ 2 ) s p. s 2 p = s2 1 (n 1 1) + s 2 2 (n 2 1) n 1 + n 2 2
TMA4245 Statistikk Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer b4 Løsigsskisse Oppgave 1 Vi øsker å fie ut om et ytt serum ka stase leukemi. 5 mus får serumet, 4
DetaljerLØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4240 STATISTIKK 5.august 2004
Norges tekisk aturviteskapelige uiversitet Istitutt for matematiske fag Side av 0 LØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4240 STATISTIKK 5.august 2004 Oppgave Foruresig X er e stokastisk variabel som agir
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
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 >
DetaljerLøsning TALM1005 (statistikkdel) juni 2017
Løsig TALM1005 statistikkdel jui 2017 Oppgave 1 a Har oppgitt at sasyligte for at é harddisk svikter er p = 0, 037. Ifører hedelsee A : harddisk 1 svikter B : harddisk 2 svikter C : harddisk 3 svikter
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
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
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 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
DetaljerBjørn Davidsen MATEMATIKK FOR INGENIØRER. Rekker
Bjør Davidse MATEMATIKK FOR INGENIØRER Reer Reer Side Ihold FORORD REKKER 4 NOEN INNEDENDE DEFINISJONER 4 KONVERGENS AV REKKER 6 ARITMETISKE OG GEOMETRISKE REKKER 9 Aritmetise tallfølger og reer 9 Geometrise
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
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
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 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
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
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
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
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
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
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
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
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
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
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
DetaljerAlgoritmer og datastrukturer Avsnitt Algoritmeanalyse
Kapittel 5. Biære søetrær Algoritmer og datastruturer Avsitt 5..5 Algoritmeaalyse Avsitt 5..5.5 - Gjeomsittlig avstad mellom to «aboer» i iorde i et biært søetre med forsjellige verdier ver permutasjo
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,
DetaljerPopulasjon, utvalg og estimering
Populasjo, utvalg og estimerig (Notat til forelesig i estimerig, Kap. 6.) Populasjo og utvalg Med basalkuskap i sasylighetsregig og sasylighetsfordeliger er vi å i stad til å gå videre med statistisk iferes
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
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
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
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 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
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
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
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
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
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
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
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
DetaljerHØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi
HØGSKOLEN I SØR-TRØNDELAG Avdelig for tekologi Målform: Bokmål Eksamesdato: 5 jui 2015 Varighet/eksamestid: Emekode: 3 timer TALM1005 Emeav: Statistikk og Økoomi statistikkdele Klasser: Logistikk 1 Kjemi
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
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 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
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
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
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
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
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
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 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
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.
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
DetaljerOblig 2 - MAT1120. Fredrik Meyer 26. oktober 2009 = A = P1 1 A 1 P 1 A 1 A 2 = P 1. A k+1. A k P k
Oblig 2 - MAT20 Fredri Meyer 26 otober 2009 Matrisee A i er defiert sli der P er e rotasjosmatrise som defierer i oppgave 2: A A 2 A + = A = P A P = P A P Oppgave Matrisee A i+ og A i er similære det fies
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
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)
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
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)
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
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
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
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
Detaljer3MX 2007/8 - Kapittel 5: 8. januar 5. februar 2008
3MX 00/8 - Kapittel : 8. jauar. februar 008 Pla for skoleåret 00/008: Kapittel 6: 6/ /. Kapittel : / /3. Prøver på eller skoletime etter hvert kapittel. É heildagsprøve i hver termi. Repetisjo, prøver,
DetaljerKap. 9: Inferens om én populasjon. 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 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
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
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
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
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
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:
DetaljerSkrivne og trykte hjelpemiddel samt kalkulator er tillate. Ta med all mellomrekning som trengst for å grunngje svaret.
Eksame 11. mai 2015 Eksamestid 4 timar IR201812 Statistikk og Simulerig Skrive og trykte hjelpemiddel samt kalkulator er tillate. Ta med all mellomrekig som tregst for å grugje svaret. Oppgåve 1......................................................................................
DetaljerProsedyre for løsning av oppgaver Jeg skal ved hjelp av noen oppgaver/eksempler fra produsentens tilpasning, gi
Jo Vislie; mars 07 ECO 00 07 Prosedyre for løsig av ogaver Jeg sal ved hjel av oe ogaver/esemler fra rodusetes tilasig, gi forslag til rosedyre/hjel/veivalg til å løse ogaver i ECO 00. Det er tre tyer
Detaljer