Estimering 1 -Punktestimering

Save this PDF as:
 WORD  PNG  TXT  JPG

Størrelse: px
Begynne med side:

Download "Estimering 1 -Punktestimering"

Transkript

1 Estimerig 1 -Puktestimerig Dekkes av kap. 8, 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 feome. Vi har bl.a. sett på hvorda vi ka rege på sasyligheter for ulike utfall, rege ut forvetigsverdi, stadardavvik/varias, etc. E gruleggede forutsetig vi har gjort hele veie er at vi på ett eller aet vis har kjet de eksakte sasylighetsfordelige til feomeet vi har sett på -dvsatvibåde har kjet de eksakte type fordelig og de aktuelle parameterverdiee. I praksis er ofte ikke dette tilfellet - spesielt vil parameterverdiee typisk være ukjete! (Vi skal fortsatt ata at vi er i stad til å agi e (oelude) korrekt type fordelig.) Estimerig hadler om åaslå verdie på ukjete parameterverdier ut fra observerte data. 1

2 Eksempel: Levetide til e bestemt type kretskort atas ekspoesialfordelt. Vi har observert at levetide for seks slike kort ble hhv 612, 1009, 95, 1303, 599, og 780. Hva forteller dette oss om verdie på parametere i ekspoesialfordelige? Dvs om forvetet levetid? Eksempel: Atall ulykker per år på e oljeplattform atas Poissofordelt. De siste fem åree har det blitt registrert hhv 5, 8, 12, 7og13ulykker. Hvafortellerdetteossom parametere λ i Poisso-fordelige? Dvs om forvetet atall ulykker per år/itesitete? 2

3 Noe grubegrep Ata at vi har observasjoer/data X 1,...,X fra et feome som er beskrevet ved e sasylighetsfordelig f(x; θ). Verdie på parametere er ukjet. Dersom observasjoee X 1,...,X er uavhegige og idetisk fordelte (u.i.f.) ka de brukes til åaslå de ukjete parametere θ. Observasjoee er idetisk fordelte dersom alle har samme sasylighetsfordelig f(x; θ) (med samme parameter). Observasjoee er uavhegige dersom simultafordelige ka skrives f(x 1,...,x )=f(x 1 ) f(x )-vili praksis si at iformasjo om verdie på eav observasjoee ikke påvirker sasylighetsfordelige til de øvrige. At observasjoer er u.i.f. vil si det samme som at de er et tilfeldig utvalg (e tilfeldig valgt delmegde) av alle tekelige mulige observasjoer av feomeet som ka gjøres. Alle tekelige mulige observasjoer kalles populasjoe, og hvorda de fordeler seg er 3

4 beskrevet ved sasylighetsfordelige f(x; θ). De typiske problemstillige er at vi basert på iformasjoe i et tilfeldig utvalg, X 1,...,X, øsker å si oe om hele populasjoe, f.eks. i form av åaslå parametere θ. Eksempel: Levetid kretskort. Populasjoe er levetide til alle tekelige kretskort av de aktuelle type. Vi atar (basert på tidligere erfarig med dee type feome) at dee populasjoe ka beskrives ved e ekspoesialfordelig. Parametere i ekspoesialfordelige er ukjet. Dersom observasjoee våre, X 1,...,X, er u.i.f., dvs et tilfeldig utvalg fra populasjoe av levetider, ka vi fra disse aslå, eller estimere parametere. Dersom X 1,...,X ikke er u.i.f./tilfeldig utvalg, f.eks. dersom vi ku bruker observerte levetider som er større e 1000, ka ikke observasjoee ute videre brukes til å estimere de ukjete parameterverdie. 4

5 Estimatorer Defiisjo: E estimator er e fuksjo av stokastiske variable som brukes til åaslåe ukjet parameterverdi. Eksempel: Tre valig brukte estimatorer er: ˆμ = X = 1 X i ˆσ 2 = S 2 = 1 1 (X i X) 2 ˆp = X for hhv forvetigsverdi μ og varias σ 2 i ormalfordelig, og p i biomisk fordelig. Det er valig å bruke gjeomsittet til å estimere forvetigsverdier også i adre fordeliger. F.eks. dersom T 1,...,T er u.i.f. ekspoesial med forvetig β er det rimelig å estimere β med ˆβ = 1 T i. 5

6 Merk: Estimatorer beteger vi med store bokstaver (=før eksperimetet er utført). Isatt observerte tallverdier, f.eks. x 1,...,x, (=etter eksperimetet er utført) ka vi rege ut et estimat, f.eks. ˆμ = x eller ˆp = x/. Estimatorer er altså stok. var. mes estimat er tallsvar. Eksempel: Levetid kretskort. Estimatore vi bruker til åaslå de ukjete parametere β i ekspoesialfordelige er ˆβ = 1 T i. Etter at vi har observert dataee 612, 1009, 95, 1303, 599, og 780 ka vi rege ut estimatet ˆβ = t i =

7 Egeskaper til estimatorer Defiisjo: E estimator ˆθ er e forvetigsrett estimator for e parameter θ dersom: E(ˆθ) =θ Eksempel: Når vi bruker estimatore ˆβ = 1 T i for β i ekspoesialfordelige får vi: E( ˆβ) =E( 1 T i )= 1 E(T i )= 1 Dvs ˆβ = 1 T i er forvetigsrett. β = β Geerelt øsker vi gjere at e estimator ˆθ oppfyller 1. E(ˆθ) =θ 2. Var(ˆθ) mist mulig Dersom vi har flere forvetigsrette estimatorer å velge mellom bruker vi de med mist varias (se øvig 4). 7

8 Eksempel: Basert på u.i.f. observasjoer X 1,...,X øsker vi å estimere forvetigsverdie, μ. To forslag til estimatorer: ˆμ = X og μ = X. Hvilke er best? E(ˆμ) = 1 E(X i )= 1 μ = μ (alltid) E( μ) = μ (dersom symmetrisk fordelig) Dvs har vi e symmetrisk fordelig, f.eks. ormal, uiform e.l., ka begge brukes. Har vi e usymmetrisk fordelig, f.eks. ekspoesial, gamma, Weibull, etc., bør vi bruke gjeomsittet. Var(ˆμ) = 1 2 Var(X i )= 1 2 σ 2 = σ2 Det ka vises at for ormalfordelig er Var(ˆμ) < Var( μ). Dvs for ormalfordelte data er det best å bruke gjeomsittet (me for adre symmetrisk fordeliger ka mediae være bedre). 8

9 Sasylighetsmaksimerigsestimator (SME), 9.15 (Maximum likelihood estimator, MLE). X 1,...,X u.i.f. f(x; θ). Hvorda geerelt fie e estimator for θ? Noe gager ka vi fie gode estimatorer fra su foruft /ituisjo, adre gager er dette verre. Hvorda skal vi f.eks. estimere parametree α og β i gamma- eller Weibullfordelige? Eksempel: X 1,...,X u.i.f. parameter λ, ogt =1,dvs Poisso med f(x; λ) = λx x! e λ, x =0, 1, 2,... Ut fra observerte data X 1 = x 1,...,X = x øsker vi åestimereλ. Ide: Velg de verdie på λ som gjør det mest sasylig å observere det vi faktisk har observert! 9

10 P (observere det vi har observert) = P (X 1 = x 1 X = x ) = f(x 1,...,x ; λ) uavh. = f(x 1 ; λ) f(x ; λ) = = λ x 1 e λ λx x 1! x! e λ λ x 1+ +x x 1! x! e λ Vi øsker å fie de λ som maksimerer f(x 1,...,x ; λ). Triks: Det blir este alltid eklere regig ved å først ta logaritme: l(f(x 1,...,x ; λ)) ( ) λ x i = l x 1! x! e λ = l(λ x i ) l(x 1! x!) + l(e λ ) = ( x i )l(λ) l(x 1! x!) λ 10

11 l(f(x 1,...,x ; λ)) λ = ( x i ) 1 λ 0 =0 λ = 1 ( x i ) Dvs SME for λ blir: ˆλ = 1 X i = X. For eksemplet med ulykker på oljeplatform får vi estimatet ˆλ = 1 5 ( )=9. Notasjo: L(λ) = f(x 1,...,x ; λ) l(λ) = l(l(λ)) der L(λ) kalles likelihoodfuksjoe og l(l(λ)) kalles log-likelihoodfuksjoe. Merk: L(λ)ogl(λ) har samme maksimumspukt side l( ) er e stregt voksede fuksjo. Vi bør også sjekke at vi har fuet et maksimumspukt (og ikke et miimumspukt) ved å sjekke at 2 l(λ) λ < 0forλ = ˆλ. 2 I eksemplet: 2 l(λ) λ 2 = x i λ 2 < 0, dvs OK!. 11

12 SME geerelt: X 1,...,X u.i.f. f(x; θ). 1. Defier likelihood-fuksjoe: L(θ) = f(x 1,...,x ; θ) 2. Ta l(): uavh. = f(x 1 ; θ) f(x ; θ) = l(θ) = l[l(θ)] = 3. Deriver m.h.p. θ: θ l(θ) = f(x i ; θ) l[f(x i ; θ)] θ l[f(x i; θ)] 4. Sett de deriverte lik ull og løs mhp θ: 5. Sjekk at: θ l(θ) =0 gir ˆθ 2 θ 2 l(θ) < 0 for θ = ˆθ 12

13 Eksempel: X 1,...,X u.i.f. fra fordelig med tetthet f(x; θ) = θ,x>1 Fi e estimator for θ: L(θ) = f(x i ; θ) = x θ+1 θ x θ+1 i l(θ) = ll(θ) = l(θ) (θ +1)l( = l(θ) (θ +1) = l(x i ) l (θ) = θ l(x i )=0 ˆθ = l(x i) θ ( x i) θ+1 x i ) Sjekk: l (ˆθ) = ṋ θ 2 < 0 dvs maksimum. Med observerte data 12.0, 11.2, 13.5, 12.3, 13.8 og 11.9 får vi estimatet: ˆθ = 6 6 l(x i) =

14 Usikkerhet i estimatet: E (pukt-)estimator ˆθ gir oss et aslag på e ukjet parameterverdi, me gir oss ikke oe direkte iformasjo om usikkerhete i aslaget. Ka vi ata at de estimerte verdie vi har fått er svært ær de sae verdie, eller er det gru til å frykte at vi er lagt ua sa verdi? Dettekavisioeomf.eks. vedå lage kofidesitervaller, me for åfåtildetmåvi kjee fordelige til estimatore. Og for å kue fie fordelige til ulike estimatorer (som alltid er fuksjoer av stokastiske variable) må vi kue oe om fordelige til fuksjoer av stokastiske variable. Dette er omhadlet i kap. 7 i læreboka. 14

Estimering 1 -Punktestimering

Estimering 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

Estimering 2. -Konfidensintervall

Estimering 2. -Konfidensintervall Estimerig 2 -Kofidesitervall Dekkes av kap. 9.4-9.5, 9.10, 9.12 og forelesigsotatee. Dersom forsøket gjetas mage gager vil (1 α)100% av itervallee [ ˆΘ L, ˆΘ U ] ieholde de ukjete parametere θ (som er

Detaljer

LØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4240 STATISTIKK 5.august 2004

LØSNINGSFORSLAG 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

Detaljer

LØSNINGSFORSLAG TILEKSAMEN I FAG TMA4240/TMA4245 STATISTIKK 10. august 2005

LØSNINGSFORSLAG 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

Detaljer

Løsningsforsalg til første sett med obligatoriske oppgaver i STK1110 høsten 2015

Løsningsforsalg 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

Detaljer

Kapittel 8: Estimering

Kapittel 8: Estimering Kaittel 8: Estimerig Estimerig hadler kort sagt om hvorda å aslå verdie å arametre som,, og dersom disse er ukjete. like arametre sier oss oe om oulasjoe vi studerer (dvs om alle måliger av feomeet som

Detaljer

KLMED8004 Medisinsk statistikk. Del I, høst Estimering. Tidligere sett på. Eksempel hypertensjon

KLMED8004 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

Detaljer

STK1100 våren 2017 Estimering

STK1100 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

Detaljer

Modeller og parametre. STK Punktestimering - Kap 7. Eksempel støtfangere. Statistisk inferens. Binomisk fordeling. p X (x) = p x (1 p) n x

Modeller og parametre. STK Punktestimering - Kap 7. Eksempel støtfangere. Statistisk inferens. Binomisk fordeling. p X (x) = p x (1 p) n x STK1100 - Puktestimerig - Kap 7 Geir Storvik Modeller og parametre Biomisk fordelig ( ) p X (x) = p x (1 p) x x Parameter: p Normalfordelig f X (x) = 1 2πσ e 1 2σ 2 (x µ) 2 11. april 2016 Parametre: µ,

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren Kontinuerlige tilfeldige variable, intro. Kontinuerlige tilfeldige variable, intro.

ÅMA110 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

Detaljer

HØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi

HØGSKOLEN 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

Detaljer

TMA4240 Statistikk Eksamen desember 2015

TMA4240 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

Detaljer

Konfidensintervall. Notat til STK1110. Ørnulf Borgan, Ingrid K. Glad og Anders Rygh Swensen Matematisk institutt, Universitetet i Oslo.

Konfidensintervall. 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

Detaljer

Løsningsforslag ST2301 øving 3

Løsningsforslag 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

Detaljer

TMA4240 Statistikk Høst 2015

TMA4240 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

Detaljer

LØSNING, 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, 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

HØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi

HØGSKOLEN 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

Detaljer

X = 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

X = 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

Detaljer

Introduksjon. Hypotesetesting / inferens (kap 3) Populasjon og utvalg. Populasjon og utvalg. Populasjonsvarians

Introduksjon. 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

Detaljer

H 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

H 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

Detaljer

Oppgaver fra boka: X 2 X n 1

Oppgaver 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

Detaljer

TMA4245 Statistikk Eksamen mai 2017

TMA4245 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

Detaljer

TMA4240 Statistikk Høst 2016

TMA4240 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

Detaljer

MOT310 Statistiske metoder 1, høsten 2011

MOT310 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,

Detaljer

TMA4245 Statistikk Eksamen 9. desember 2013

TMA4245 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

Detaljer

) = P(Z > 0.555) = > ) = P(Z > 2.22) = 0.013

) = 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 >

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren 2008 Kp. 6, del 5

ÅMA110 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

Detaljer

LØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4245 STATISTIKK 6.august 2004

LØSNINGSFORSLAG 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

Detaljer

Mer om utvalgsundersøkelser

Mer 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

Detaljer

Hypotesetesting, del 4

Hypotesetesting, 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

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren Kp. 5 Estimering. Målemodellen.

ÅMA110 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

Detaljer

TMA4240 Statistikk Høst 2016

TMA4240 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

Detaljer

Econ 2130 uke 15 (HG) Poissonfordelingen og innføring i estimering

Econ 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

Detaljer

Econ 2130 Forelesning uke 11 (HG)

Econ 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

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren Kontinuerlige tilfeldige variable, intro. Kontinuerlige tilfeldige variable, intro.

ÅMA110 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

Detaljer

0.5 (6x 6x2 ) dx = [3x 2 2x 3 ] 0.9. n n. = n. ln x i + (β 1) i=1. n i=1

0.5 (6x 6x2 ) dx = [3x 2 2x 3 ] 0.9. n n. = n. ln x i + (β 1) i=1. n i=1 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer 9, blokk II Løsigsskisse Oppgave a The probability is.9.5 6x( x dx.9.5 (6x 6x dx [3x x 3 ].9.5.47. b The likelihood fuctio

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren 2010 Kp. 6, del 4

ÅMA110 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

Detaljer

TMA4240 Statistikk H2010

TMA4240 Statistikk H2010 TMA440 Statistikk H00 9.8: To uvalg (siste del) 9.9: Parvise observasjoer 9.0-9.: Adelser 9.: Varias Mette Lagaas Foreleses oag 0.oktober, 00 Norske hoppdommere og Jae Ahoe Jae Ahoe er e fisk skihopper,

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007 Oppsummering

ÅMA110 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

Detaljer

Oppgave 1 Hardheten til en bestemt legering er undersøkt med åtte målinger og resultatene ble (i kg/mm 2 ) som i tabellen til høyre.

Oppgave 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

Detaljer

Oppgave 1. (i) Hva er sannsynligheten for at det øverste kortet i bunken er et JA-kort?

Oppgave 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

Detaljer

Forventningsverdi. MAT0100V Sannsynlighetsregning og kombinatorikk

Forventningsverdi. 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

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-aturviteskapelige fakultet Eksame i STK2120 Statistiske metoder og dataaalyse 2 Eksamesdag: Madag 6. jui 2011. Tid for eksame: 09.00 13.00. Oppgavesettet er på 5 sider.

Detaljer

Oversikt over konfidensintervall i Econ 2130

Oversikt 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

Detaljer

Løsningsforslag for andre obligatoriske oppgave i STK1100 Våren 2007 Av Ingunn Fride Tvete og Ørnulf Borgan

Løsningsforslag 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

Detaljer

ECON240 Statistikk og økonometri

ECON240 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

Detaljer

Ukeoppgaver i BtG207 Statistikk, uke 4 : Binomisk fordeling. 1

Ukeoppgaver 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

Detaljer

Kapittel 7: Noen viktige sannsynlighetsfordelinger

Kapittel 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

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007

ÅMA110 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

Detaljer

Løsningsforslag til eksamen i STK desember 2010

Løsningsforslag 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

Detaljer

Forelesning 4 og 5 Transformasjon, Weibull-, lognormal, beta-, kji-kvadrat -, t-, F- fordeling

Forelesning 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

Detaljer

Statistikk og økonomi, våren 2017

Statistikk 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

Detaljer

Oversikt over konfidensintervall i Econ 2130

Oversikt over konfidensintervall i Econ 2130 HG April 00 Oversikt over kofidesitervall i Eco 30 Merk at dee oversikte ikke er met å leses istedefor framstillige i Løvås, me som et supplemet. Løvås ieholder mage verdifulle kommetarer og eksempler.

Detaljer

Kort repetisjon fra kapittel 4. Oppsummering kapittel ST0202 Statistikk for samfunnsvitere. Betinget sannsynlighet og trediagram

Kort 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.

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren 2006

ÅMA110 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

Detaljer

Rep.: generelle begrep og definisjoner Kp. 10.1, 10.2 og 10.3

Rep.: 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

Detaljer

Estimering og hypotesetesting. Estimering og hypotesetesting. Estimering og hypotesetesting. Kapittel 10. Ett- og toutvalgs hypotesetesting

Estimering 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

Detaljer

TMA4245 Statistikk Vår 2015

TMA4245 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

Detaljer

Diskrete egenskaper. Egenskapsvektoren x antar kun diskrete verdier: v 1,v 2,...,v m. Endringer fra det kontinuerlige tilfellet er at:

Diskrete egenskaper. Egenskapsvektoren x antar kun diskrete verdier: v 1,v 2,...,v m. Endringer fra det kontinuerlige tilfellet er at: Iledig Beslutigsteori Parametriske metoder Ikke-parametriske metoder Diskrimiatfuksjoer Evaluerig Ikke-ledet lærig Klygeaalyse Diskrete egeskaper Diskrete egeskaper Egeskapsvektore x atar ku diskrete verdier:

Detaljer

Estimering og hypotesetesting. Estimering og hypotesetesting. Estimering og hypotesetesting. Kapittel 10. Ett- og toutvalgs hypotesetesting

Estimering og hypotesetesting. Estimering og hypotesetesting. Estimering og hypotesetesting. Kapittel 10. Ett- og toutvalgs hypotesetesting 3 Estimerig og hypotesetestig Kapittel 10 Ett- og toutvalgs hypotesetestig TMA4240 H2006: Eirik Mo Feome Bilkjørig Høyde til studeter Estimator ˆp = X, X atall ˆµ = X gjeomsittlig høyde. som syes de er

Detaljer

Populasjon, utvalg og estimering

Populasjon, 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

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007 Kp. 6, del 5. Hypotesetesting, del 5

ÅMA110 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

Detaljer

n 2 +1) hvis n er et partall.

n 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

Detaljer

Forelesning Moment og Momentgenererende funksjoner

Forelesning 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

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren 2008 Kp. 6, del 5

ÅMA110 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

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Kp. 6, del 5

ÅMA110 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

Detaljer

MOT310 Statistiske metoder 1, høsten 2012

MOT310 Statistiske metoder 1, høsten 2012 MOT310 Statistiske metoder 1, høste 2012 Bjør H. Auestad Istitutt for matematikk og aturviteskap Uiversitetet i Stavager 20. august, 2012 Bjør H. Auestad Itroduksjo og repetisjo 1 / 57 Iformasjo Litt om

Detaljer

TMA4240 Statistikk Høst 2015

TMA4240 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

Detaljer

Kap. 9: Inferens om én populasjon

Kap. 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)

Detaljer

2. Hypotesetesting i ulike sitausjoner: i. for forventingen, μ, i målemodellen med normalantakelse og kjent varians, σ 2.

2. Hypotesetesting i ulike sitausjoner: i. for forventingen, μ, i målemodellen med normalantakelse og kjent varians, σ 2. Oversikt 1. Hva er hypotesetestig? 2. i ulike sitausjoer: i. for forvetige, μ, med ormalatakelse og kjet varias, σ 2. ii. for forvetige, μ, med stor og ormaltilærmig (variase, σ 2, ukjet). iii. for suksessasylighete,

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UNIVERSITETET I OSLO Det matematisk-aturviteskapelige fakultet Eksame i: STK11 Sasylighetsregig og statistisk modellerig. LØSNINGSFORSLAG Eksamesdag: Fredag 9. jui 217. Tid for eksame: 9. 13.. Oppgavesettet

Detaljer

Sammendrag i statistikk

Sammendrag i statistikk Sammedrag i statistikk Sammedrag Dette dokumetet er et sammedrag av pesum i faget ST0103 ved NTNU høste 2014. Notatet er derfor ikke tekt å være komplett eller spesielt grudig gjeomlest for feil, me det

Detaljer

Kapittel 7: Noen viktige sannsynlighetsfordelinger

Kapittel 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

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007 Kp. 6, del 4. Hypotesetesting, del 4

ÅMA110 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

Detaljer

HØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi

HØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi HØGSKOLEN I SØR-TRØNDELAG Avdelig for tekologi Målform: Bokmål Eksamesdato: Fredag 6. Jui 04 Varighet/eksamestid: 5 timer Emekode: TALM005-A Emeav: Statistikk og Økoomi Klasse(r): Kjemi, Material, Logistikk

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren 2010 Kp. 6, del 5

ÅMA110 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

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007 Kp. 6, del 2

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007 Kp. 6, del 2 ÅMA11 Sasylighetsregig med statistikk, våre 27 Kp. 6, del 2 Bjør H. Auestad Istitutt for matematikk og aturviteskap 5. mars 21 Bjør H. Auestad Kp. 6: del 1/2 1/ 42 Bjør H. Auestad Kp. 6: del 1/2 2/ 42

Detaljer

Kap. 9: Inferens om én populasjon

Kap. 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)

Detaljer

STK1100 våren Konfidensintevaller

STK1100 våren Konfidensintevaller STK00 våre 07 Kofdestevaller Svarer tl avstt 8. læreboka Ørulf Borga Matematsk sttutt Uverstetet Oslo Eksempel E kjemker er teressert å bestemme kosetrasjoe µ av et stoff e løsg Hu måler kosetrasjoe fem

Detaljer

Hypotesetesting. Formulere en hypotesetest: Når vi skal test om en parameter θ kan påstås å være større enn en verdi θ 0 skriver vi dette som:

Hypotesetesting. Formulere en hypotesetest: Når vi skal test om en parameter θ kan påstås å være større enn en verdi θ 0 skriver vi dette som: Hypotesetesting. 10 og fore- Dekkes av pensumsidene i kap. lesingsnotatene. Hypotesetesting er en systematisk fremgangsmåte for å undersøke hypoteser (påstander) knyttet til parametre i sannsynlighetsfordelinger.

Detaljer

Oversikt over konfidensintervall i Econ 2130

Oversikt 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

Detaljer

Hva er statistikk? TMA4240 Statistikk H2015. Denne forelesningen. Pensum

Hva er statistikk? TMA4240 Statistikk H2015. Denne forelesningen. Pensum Hva er statistikk? TMA440 Statistikk H015 Siste forelesig: oppsummerig og avslutig Statistikk har som mål å utvikle vår kuskap basert på isamlig og aalyse av empiriske data. To greer: Sasylighetsteori:

Detaljer

TMA4240 Statistikk Høst 2016

TMA4240 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

Detaljer

ST1201 Statistiske metoder

ST1201 Statistiske metoder ST Statistiske metoder Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Løsigsforslag - Eksame desember Oppgave a) Dette er e ANOVA-tabell for k-utvalg med k 4 og j 6 for j,,3,4.

Detaljer

Kapittel 5: Tilfeldige variable, forventning og varians.

Kapittel 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

Detaljer

Lineær regresjonsanalyse (13.4)

Lineær 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

HØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi

HØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi HØGSKOLEN I SØR-TRØNDELAG Avdelig for tekologi Målform: Bokmål Eksamesdato: Tirsdag 3. desember 03 Varighet/eksamestid: 5 timer Emekode: TALM005-A Emeav: Statistikk og Økoomi Klasse(r): Kjemi, Material,

Detaljer

STATISTIKK :D INNHOLD

STATISTIKK :D INNHOLD STATISTIKK :D INNHOLD Et par tig som ka bli yttige.... Sasylighetsregig... 3. Stokastiske variable og sasylighetsfordeliger.... 4. Forvetig og varias... 3 5. Diskrete fordeliger... 4 Diskret uiform fordelig...

Detaljer

Siden vi her har brukt første momentet i fordelingen (EX = EX 1 ) til å konstruere estimatoren kalles denne metoden for momentmetoden.

Siden vi her har brukt første momentet i fordelingen (EX = EX 1 ) til å konstruere estimatoren kalles denne metoden for momentmetoden. Estimeringsmetoder Momentmetoden La X, X 2,..., X n være uavhengige variable som er rektangulært fordelte på intervallet [0, θ]. Vi vet da at forventningsverdiene til hver observasjon og forventningen

Detaljer

Suffisient observator

Suffisient observator Iledig Beslutigsteori Parametriske metoder Ikke-parametriske metoder Diskrimiatfuksjoer Evaluerig Ikke-ledet lærig Klygeaalyse Suffisiete observatorer Suffisiet observator Statistisk størrelse s som ieholder

Detaljer

TMA4245 Statistikk Eksamen 9. desember 2013

TMA4245 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 ei de høgaste geviste derssom dei to første korta

Detaljer

TMA4240 Statistikk Høst 2016

TMA4240 Statistikk Høst 2016 TMA440 Statstkk Høst 06 Norges teksk-aturvteskapelge uverstet Isttutt for matematske fag Abefalt øvg 0 Løsgssksse Oppgave a Estmatore for avstade a er gjeomsttet av uavhegge detsk fordelte målger, x; a,

Detaljer

ÅMA110 Sannsynlighetsregning med statistikk, våren 2011

ÅMA110 Sannsynlighetsregning med statistikk, våren 2011 ÅMA110 asylighetsregig med statistikk våre 011 Kp. 5 Estimerig 1 Estimerig. Målemodelle. Ihold: 1. (ukt)estimerig i biomisk modell (kp. 5.). Målemodelle... (kp. 5.3) 3. (ukt)estimerig i målemodelle (kp.

Detaljer

LØSNING: Eksamen 28. mai 2015

LØSNING: 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

Detaljer

TMA4240 Statistikk H2010

TMA4240 Statistikk H2010 TMA4240 Statistikk H2010 Statistisk inferens: 8.1: Tilfeldig utvalg 9.1-9.3: Estimering Mette Langaas Foreleses uke 40, 2010 2 Utfordring Ved en bedrift produseres en elektrisk komponent. Komponenten må

Detaljer

UNIVERSITETET I OSLO

UNIVERSITETET I OSLO UIVERSITETET I OSLO Det matematisk-aturviteskapelige fakultet Eksame i: ST 105 - Iførig i pålitelighetsaalyse Eksamesdag: 8. desember 1992 Tid til eksame: 0900-1500 Tillatte hjelpemidler: Rottma: "Matematische

Detaljer

Statistisk inferens: 9.14: Sannsynlighetsmaksimeringsestimatoren 8.5: Fordeling til gjennomsnittet 9.4: Konfidensintervall for µ (σ kjent)

Statistisk inferens: 9.14: Sannsynlighetsmaksimeringsestimatoren 8.5: Fordeling til gjennomsnittet 9.4: Konfidensintervall for µ (σ kjent) TMA440 Statistikk H010 Statistisk inferens: 9.14: Sannsynlighetsmaksimeringsestimatoren 8.5: Fordeling til gjennomsnittet 9.4: Konfidensintervall for µ (σ kjent) Mette Langaas Foreleses mandag 11.oktober,

Detaljer

Econ 2130 uke 19 (HG) Inferens i enkel regresjon og diskrete modeller

Econ 2130 uke 19 (HG) Inferens i enkel regresjon og diskrete modeller Eco 3 uke 9 (HG) Iferes ekel regresjo og dskrete modeller De ekle regresjosmodelle. Resultater fra 5m og 5m for me fra EM på skøyter Heerevee 4. ( er 5m-tde og y 5m-tde sekuder for løper.) Spredgdagram

Detaljer

Hypotesetesting, del 5

Hypotesetesting, 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

Detaljer

Påliteligheten til en stikkprøve

Påliteligheten 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

Detaljer