Par-copula konstruksjoner: Et fleksibelt verktøy for å modellere multivariat avhengighet
|
|
- Holger Enoksen
- 6 år siden
- Visninger:
Transkript
1 Par-copula konstruksjoner: Et fleksibelt verktøy for å modellere multivariat avhengighet Foredrag for Norsk ASTIN-gruppe (NAG) Lysaker, 14. November, 2010 Kjersti Aas Norsk Regnesentral Innhold Innledning Copulas Par-copula dekomposisjoner 1
2 Innledning Ekstremverdier Totalindeksen på Oslo Børs fra til Daglige relative endringer Black Monday Finanskrisen
3 Simultane ekstremverdier Internasjonale aksjer Norske aksjer Haleavhengighet Med haleavhengighet menes avhengighet mellom ekstreme verdier av to eller flere variable. La X ~ F X og Y ~ F Y. Haleavhengigheten mellom X og Y er da definert ved 3
4 Endringer i ulike oljepriser HSFO Brent Værskader i Frankrike
5 Problemstilling For ingen av disse problemene finnes det en kjent parametrisk multivariat fordeling som modellerer de to variablene på en god måte. Må lete etter et annet verktøy. Copulas 5
6 Z Z X X Copula En mulig framgangsmåte er å splitte opp en multivariat fordeling i marginalfordelinger for hver av variablene, pluss en avhengighetsstruktur som knytter alle variablene sammen. Avhengighetsstrukturen kalles en copula. Store Norske Leksikon: Copula betyr bånd, forbindelse, brukes i grammatikken om former av verbet åværesom forbinder subjekt og predikatsord eller ledd. Hvordan framkommer en copula? Hvis vi tar denne og dividerer med produktet av marginalfordelingene Y X Bivariat normal tetthet density Univariate normal (0,1) tettheter density får vi Denne figuren viser tettheten til en bivariat Gaussisk copula Y X 6
7 Z Z Verdi Verdi Copula + marginalfordelinger 1 Hvis vi tar denne. og multipliserer med produktet av to nye fordelinger Kreditt Tetthet Tetthet Operasjonell får vi Y Y X X beta-fordeling lognormal fordeling Dette er en ukjent, men lovlig multivariat fordeling definert ved hhv. en beta- og en lognormal marginalfordeling og Gaussisk copula. Mer formelt Definisjon: En copula er en multivariat fordeling C med uniformt fordelte marginaler U(0,1) på [0,1]. For en vilkårlig multivariat tetthet f korresponderende til en kontinuerlig multivariat fordeling F med kontinuerlige marginalfordelinger F 1, F n har vi at der er en n-dimensjonal copulatetthet 7
8 Fleksibilitet Man kan definere marginalene og copulaen uavhengig av hverandre, og allikevel være sikret å få en ekte fordeling. Det betyr at man har en mye større fleksibilitet enn det man har ved bruk av velkjente multivariate fordelinger. Effekt av ulik copula 8
9 Alle problemer løst? Nei.. Hvis vi har et problem med flere enn to variable vil det være stor sannsynlighet for at ingen av de kjente parametriske copulaene passer, fordi ulike bivariate par har ulike avhengighetsstrukturer. Vi trenger mer fleksible copulastrukturer. Par-copula dekomposisjoner 9
10 Innhold Hvordan kommer vi fram til en par-copula dekomposisjon? Simulering fra par-copula dekomposisjoner Inferens for par-copula dekomposisjoner Praktiske eksempler Hvordan kommer vi fram til en par-copula dekomposisjon? 10
11 Par-copula dekomposisjon (I) Betingede fordelinger kan også representeres ved hjelp av copulas. For to stokastiske variable X 1 og X 2 har vi og for tre stokastiske variable X 1, X 2 og X 3 Av dette følger for alle j: Pair-copula decomposition (III) Vi kaller en slik representasjon for en par-copula dekomposisjon 11
12 Eksempel I: Tre variable En tre-dimensjonal par-copula dekomposisjon er gitt ved Eksempel II: Fem variable For en fem-dimensjonal tetthet er en mulig pair-copula dekomposisjon: Det er imidlertid hele 240 forskjellige dekomposisjoner i det fem-dimensjonale tilfellet.. 12
13 Vines Vi trenger verktøy for å holde orden på alle disse dekomposisjonene. Bedford and Cooke (2001) og (Kurowicka and Cooke, 2004) har introdusert en grafisk modell for dette, som de kaller regulære vines (R-vines). Vi skal se på to spesialtilfeller av R-vines: C- og D-vines. Forskjellen på de to modellene er at de dekomponerer tettheten ved hjelp av to ulike regler. Tetthetsuttrykk C-vine tetthet D-vine tetthet 13
14 Fem-dimensjonal C-vine Hver kant i hvert tre representerer en par-copula Kantene i tre j er nodene i tre j+1 Nivåer Fem-dimensjonal D-vine 14
15 Betingede fordelingsfunksjoner De betingede fordelingsfunksjonene beregnes som (Joe, 1996): Argumentene på nivå j bestemmes fra copulaene på nivå j-1. For spesialtilfellet der v er univariat, og x og v er uniformt fordelte på [0,1], har vi at Byggesteiner De bivariate copulaene trenger ikke å være fra samme parametriske familie. Den resulterende multivariate fordelingen er gyldig selv om copulaene er av ulik type. En kan for eksempel kombinere følgende copulatyper: Normal (ingen haleavhengighet) Student s t (øvre og nedre haleavheng.) Clayton (nedre haleavhengighet) Gumbel (øvre haleavhengighet) 15
16 Simulering fra par-copula dekomposisjoner Uniforme variable I praktiske anvendelser er det vanlig å modellere marginalfordelinger og avhengighetsstruktur hver for seg. I resten av denne presentasjonen antar jeg derfor for enkelthets skyld at vi jobber med multivariate fordelinger med uniforme marginalfordelinger, dvs. f(x i )=1 og F(x i )=x i for alle i. 16
17 Simuleringsprosedyre (I) For både C- og D-vines simulerer vi n avhengige uniforme [0,1] variable som følger: Simuler w i ; i=1,,n uavhengig uniforme på [0,1] Sett Simuleringsprosedyre (II) Prosedyrene for C-vines og D-vines skiller seg på hvordan F(x j x 1,x 2,,x j-1 ) beregnes: For C-vines beregnes F( ) som mens F( ) for D-vines beregnes som 17
18 Simuleringsalgoritme for C-vines Den såkalte h-funksjonen er sentral.. Eks: 2D Gaussisk copula Tetthet h-funksjon Invers av h-funksjonen 18
19 Inferens for par-copula dekomposisjoner Tre step Estimeringsprosedyren for en par-copula dekomposisjon består av følgende trinn: 1. Valget av en bestemt faktorisering. 2. Valget av hvilke copulatyper som skal inngå. 3. Estimering av parameterne til de valgte copulaene. I denne presentasjonen tar vi kun for oss punkt 3. Dette betyr ikke at de to andre trinnene er mindre viktige! Vi jobber for tiden med trinn 1. Valg av copulatyper kan for eksempel gjøres ved hierarkisk goodness-of-fit testing. 19
20 Beregning av log-likelihood Likelihooden må optimeres numerisk Ser at h-funksjonen kommer inn her også. Praktiske eksempler 20
21 To eksempler Nedbørsdata Aksjekurser Nedbørsdata 21
22 Nedbørsdata Daglige data fra til (2065 observ.) Gumbel D-vine Gumbel-copulaen ser ut til å passe best for alle par Den mest vanlige 4-dimensjonale Gumbelcopulaen har kun en parameter. Tilpasser en D-vine med en 2-D Gumbel-copula for alle par. På nivå 1 velger vi parene med høyest verdi for Kendall s tau: 22
23 Datasett C VS C SN C NH S V N S H N Nivå I Ser at mesteparten av avhengigheten i dataene er blitt modellert på nivå I. C VN S C SH N C VH SN Nivå II F(N S) F(H N) F(H SN) Nivå III F(V S) F(S N) F(V SN) Parameterverdier Gumbel copula: Param δ VS δ SN δ NH δ VN S δ SH N δ VH NS Har at: Value Den estimerte Gumbel D-vinen blir ikke forkastet med goodness-of-fit testen foreslått av Genest og Rémilliard (2005) (p-verdien er 0.089). δ=1 in den bivariate Gumbel copulaen betyr uavhengighet. 23
24 Aksjekurser Aksjeavkastninger BP: British Telecom XOM: Exxon Mobile DT: Deutsche Telecom FT: France Telecom Log-avkastninger filtrert med GARCHmodell for å fjerne avhengighet i tid. Daglige data fra til (852 observ.) 24
25 t-d-vine t-copulaen ser ut til å passe best for alle par Tilpasser en D-vine med en 2D t-copula for alle par. På nivå 1 velger vi parene med høyest verdi for Kendall s tau: Parameterverdier t-copulaen har to parametere, ρ og ν. Med liten ρ og høy ν begynner man å nærme seg uavhengighet t-d-vinen blir ikke forkastet med goodness-of-fit testen foreslått av Genest og Rémilliard (2005) (p-verdien er ). 25
26 Sammendrag Sammendrag Par-copula-dekomposisjoner er en fleksibel struktur for å konstruere multivariate fordelinger. Simulering og parameterestimering er enkelt, men tar tid for høyere dimensjoner. Vi (og andre) har testet par-copula-dekomposisjoner for ulike anvendelser, og de ser ut til å gjøre det bra sammenlignet med konkurrerende metoder. 26
Copula goodness-of-fit testing
Daniel Berg Universitetet i Oslo & Norsk Regnesentral DET 14. NORSKE STATISTIKERMØTET Sommarøya 19. -21. Juni 2007 Outline 1. 2. 2.1 Lovende tester 2.2 Cpit2-testen 3. 4. 5. C n C ρ C ρν v u v u v u C
DetaljerMethodological developments in the analysis of risk called for by industry needs
www.nr.no Methodological developments in the analysis of risk called for by industry needs Presentasjon for referansegruppen 27.08.2004 Kjersti Aas Norsk Regnesentral Norsk Regnesentral Stiftelse med 70
DetaljerDCC-GARCH-modeller med ulike avhengighetsstrukturer
DCC-GARCH-modeller med ulike avhengighetsstrukturer Masteroppgave i statistikk 14.mars 2013 Helene Aardal Universitetet i Bergen Matematisk institutt Sammendrag Hovedfokuset i denne oppgaven er å finne
DetaljerModellrisiko i porteføljeforvaltning
Modellrisiko i porteføljeforvaltning Hans Gunnar Vøien 12. mai 2011 1/25 Innhold Problem og introduksjon Problem og introduksjon Lévyprosesser Sammenlikning GBM og eksponentiell NIG Oppsummering 2/25 Problem
DetaljerKapittel 3: Stokastiske variable og sannsynlighetsfordelinger
f(x,y) NTNU Kapittel 3: Stokastiske variable og sannsynlighetsfordelinger TMA4240 Statistikk (F2 og E7) 3.4: Foreleses mandag 30.august y=hoyde x=vekt Ole.Petter.Lodoen@math.ntnu.no p.1/18 Oppsummering
DetaljerKapittel 2: Hendelser
Kapittel 2: Hendelser FENOMEN Eksperiment Utfall Utfallsrom Eksperiment. Utfall. Eksperiment Utfall Hendelse Sannsynlighet: egenskaper, gunstige vs. mulige, relativ frekvens Sannsynlighet for mer enn en
DetaljerProsjektnummer: 163681/I99 Prosjekttittel: Methodological developments in the analysis of financial risk called for by industry needs
FINANSMARKEDSFONDET Sluttrapport Sendes per post (med kopi per epost) til prosjektets kontaktperson for rapportering. Forutsettes undertegnet av prosjektleder og prosjektansvarlig. Se for øvrig vedlagte
DetaljerKapittel 8: Tilfeldige utvalg, databeskrivelse og fordeling til observatorar, Kapittel 9: Estimering
Kapittel 8: Tilfeldige utvalg, databeskrivelse og fordeling til observatorar, Kapittel 9: Estimering TMA4245 Statistikk Kapittel 8.1-8.5. Kapittel 9.1-9.3+9.15 Turid.Follestad@math.ntnu.no p.1/21 Har sett
DetaljerForelesning 4 STK3100
! * 2 2 2 Bevis : Anta Forelesning 4 STK3 september 27 S O Samuelsen Plan for annen forelesning: Likelihood-egenskaper 2 Konsistens for ML 3 Tilnærmet fordeling for ML 4 Likelihoodbaserte tester 5 Multivariat
DetaljerL12-Dataanalyse. Introduksjon. Nelson Aalen plott. Page 76 of Introduksjon til dataanalyse. Levetider og sensurerte tider
Page 76 of 80 L12-Dataanalyse Introduksjon Introduksjon til dataanalyse Presentasjonen her fokuserer på dataanalyseteknikker med formål å estimere parametere (MTTF,, osv) i modeller vi benytter for vedlikeholdsoptimering
DetaljerProsjektoppgaver om diusjonsprosesser og diusjonstilnærmelse
Prosjektoppgaver om diusjonsprosesser og diusjonstilnærmelse February 13, 2006 I alle oppgavene skal det skrives litt om hva diusjonsprosesser er, hvilke spesielle resultater fra diusjonsteorien man skal
DetaljerModifisering av Black & Scholes opsjonsprising ved bruk av NIG-fordelingen
Modifisering av Black & Scholes opsjonsprising ved bruk av NIG-fordelingen Prosjektoppgave STK-MAT2011 Sindre Froyn Salgsopsjon A B K S 0 T S 0 : porteføljeprisen ved tiden t = 0. K: garantert salgspris
DetaljerSTK Oppsummering
STK1100 - Oppsummering Geir Storvik 6. Mai 2014 STK1100 Tre temaer Deskriptiv/beskrivende statistikk Sannsynlighetsteori Statistisk inferens Sannsynlighetsregning Hva Matematisk verktøy for å studere tilfeldigheter
DetaljerBootstrapping og simulering Tilleggslitteratur for STK1100
Bootstrapping og simulering Tilleggslitteratur for STK1100 Geir Storvik April 2014 (oppdatert April 2016) 1 Introduksjon Simulering av tilfeldige variable (stokastisk simulering) er et nyttig verktøy innenfor
DetaljerNotat 3 - ST februar 2005
Notat 3 - ST1301 1. februar 2005 1 Simulering fra modell Når vi skal analysere et gitt konkret innsamlet datasett vil vi gjøre dette med utgangspunkt i en statistisk modell. Vi kan si at en slik statistisk
DetaljerPunktestimator. STK Bootstrapping og simulering - Kap 7 og eget notat. Bootstrapping - eksempel Hovedide: Siden λ er ukjent, bruk ˆλ:
Punktestimator STK00 - Bootstrapping og simulering - Kap 7 og eget notat Geir Storvik 8. april 206 Trekke ut informasjon om parametre fra data x,..., x n Parameter av interesse: θ Punktestimator: Observator,
DetaljerParallellisering av simulering fra vines
Parallellisering av simulering fra vines notatnr SAMBA/18/11 Forfattere Marit Holden Kjersti Aas Dato Mai 2011 Norsk Regnesentral Norsk Regnesentral (NR) er en privat, uavhengig stiftelse som utfører oppdragsforskning
DetaljerForelesning 23 og 24 Wilcoxon test, Bivariate Normal fordeling
Forelesning 23 og 24 Wilcoxon test, Bivariate Normal fordeling Wilcoxon Signed-Rank Test I uke, bruker vi Z test eller t-test for hypotesen H:, og begge tester er basert på forutsetningen om normalfordeling
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
Eksamen: ECON2130 Statistikk 1 UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Eksamensdag: 29.05.2019 Sensur kunngjøres: 19.06.2019 Tid for eksamen: kl. 09:00 12:00 Oppgavesettet er på 5 sider Tillatte hjelpemidler:
DetaljerSTK Oppsummering
STK1110 - Oppsummering Geir Storvik 11. November 2015 STK1110 To hovedtemaer Introduksjon til inferensmetoder Punktestimering Konfidensintervall Hypotesetesting Inferens innen spesifikke modeller/problemer
DetaljerLøsningsforslag øving 8, ST1301
Løsningsforslag øving 8, ST3 Oppgave Hva gjør følgende funksjon? Hvilken fordeling har variabelen n som returneres som funksjonsverdi? Forklar hvorfor. Forutsett at to enkle positive tall blir oppgitt
DetaljerProsjektoppgaver om diusjonsprosesser og diusjonstilnærmelse
Prosjektoppgaver om diusjonsprosesser og diusjonstilnærmelse February 22, 2007 I alle oppgavene skal det skrives litt om hva diusjonsprosesser er, hvilke spesielle resultater fra diusjonsteorien man skal
Detaljer6.5 Normalapproksimasjon til. binomisk fordeling
....3.4.5..5..5..5...4.6.8....4.6.8....3.4..5..5 Kaittel 6: Kontinuerlige sannsynsfordelingar TMA445 Statistikk Ka 6.5-6.8. 6.5: Normal aroksimasjon til binomisk fordeling, 6.6-6.8: Eksonensialfordeling,
DetaljerLoven om total sannsynlighet. Bayes formel. Testing for sykdom. ST0202 Statistikk for samfunnsvitere
2 Loven om total sannsynlighet La A og Ā være komplementære hendelser, mens B er en annen hendelse. Da er: P(B) P(B oga)+p(b ogā) P(B A)P(A)+P(B Ā)P(Ā) ST0202 Statistikk for samfunnsvitere Bo Lindqvist
DetaljerFerdig før tiden 4 7 Ferdig til avtalt tid 12 7 Forsinket 1 måned 2 6 Forsinket 2 måneder 4 4 Forsinket 3 måneder 6 2 Forsinket 4 måneder 0 2
Besvar alle oppgavene. Hver deloppgave har lik vekt. Oppgave I En kommune skal bygge ny idrettshall og vurderer to entreprenører, A og B. Begge gir samme pristilbud, men kommunen er bekymret for forsinkelser.
DetaljerST0103 Brukerkurs i statistikk Høsten Momentestimatoren og sannsynlighetsmaksimeringsestimatoren
ST0103 Brukerkurs i statistikk Høsten 2016 Momentestimatoren og sannsynlighetsmaksimeringsestimatoren (SME) Boka har bare ett eksempel med sannsynlighetsmaksimeringsestimatoren. Vi gjengir dette nedenfor,
DetaljerKontinuerlige sannsynlighetsfordelinger.
Kontinuerlige sannsynlighetsfordelinger. Dekkes av kap. 6 og deler av kap. 8.5 i boka. Husk: f(x er sannsynlighetstettheten til en kontinuerlig X dersom:. f(x 0 for alle x R 2. f(xdx = 3. P (a
DetaljerLøsning til prøveeksamen i MAT2400, V-11
Løsning til prøveeksamen i MAT400, V-11 Oppgave 1 a) Vi ser at den deriverte f (x) = 1 1+x alltid er mindre enn eller lik 1 i tallverdi. Gitt to punkter x, y R, finnes det ifølge middelverdisetningen en
DetaljerKap. 6.1: Fordelingen til en observator og stok. simulering
Kap. 6.1: Fordelingen til en observator og stok. simulering Data, observatorer og relaterte fordelinger. Stokastisk simulering. Illustrasjon: - Sammenligning av jury bedømmelser i idrett. Fra data til
Detaljer3.4: Simultanfordelinger (siste rest) 4.1,4.2,4.3: Multivariat del (ferdig med kapittel 3 og 4 etter denne forelesningen)
TMA4240 Statistikk H200 3.4: Simultanfordelinger (siste rest) 4.,4.2,4.3: Multivariat del (ferdig med kapittel 3 og 4 etter denne forelesningen) Mette Langaas Foreleses mandag 3. september 200 2 f (x,
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Loven om total sannsynlighet La A og Ā være komplementære hendelser, mens B er en annen hendelse. Da er: P(B) =P(B oga)+p(b
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK1120 Statistiske metoder og dataanalyse 2. Eksamensdag: Tirsdag 2. juni 2009. Tid for eksamen: 14.30 17.30. Oppgavesettet
DetaljerHøgskolen i Gjøviks notatserie, 2001 nr 5
Høgskolen i Gjøviks notatserie, 2001 nr 5 5 Java-applet s for faget Statistikk Tor Slind Avdeling for Teknologi Gjøvik 2001 ISSN 1501-3162 Sammendrag Dette notatet beskriver 5 JAVA-applets som demonstrerer
DetaljerProgrammering i R - del 2
Programmering i R - del 2 14. februar 2004 1 Simulering fra modell Når vi skal analysere et gitt konkret innsamlet datasett vil vi gjøre dette med utgangspunkt i en statistisk modell. Vi kan si at en slik
DetaljerEmnenavn: Eksamenstid: 4 timer. Faglærer: Hans Kristian Bekkevard
EKSAMEN Emnekode: SFB107111 Emnenavn: Metode 1, statistikk deleksamen Dato: 16. mai 2017 Hjelpemidler: Godkjent kalkulator og vedlagt formelsamling m/tabeller Eksamenstid: 4 timer Faglærer: Hans Kristian
DetaljerSTK juni 2016
Løsningsforslag til eksamen i STK220 3 juni 206 Oppgave a N i er binomisk fordelt og EN i np i, der n 204 Hvis H 0 er sann, er forventningen lik E i n 204/6 34 for i, 2,, 6 6 Hvis H 0 er sann er χ 2 6
DetaljerBootstrapping og simulering
Bootstrapping og simulering Tilleggslitteratur for STK1100 Geir Storvik April 2014 1 Introduksjon Simulering av tilfeldige variable (stokastisk simulering) er et nyttig verktøy innenfor statistikk, men
DetaljerDataanalyse. Hva er en dataanalyse og hvordan gå frem for å gjennomføre en dataanalyse av det innsamlede datagrunnlaget fra en feltundersøkelse?
Hva er en dataanalyse og hvordan gå frem for å gjennomføre en dataanalyse av det innsamlede datagrunnlaget fra en feltundersøkelse? Skrevet av: Kjetil Sander Utgitt av: estudie.no Revisjon: 1.0 (Sept.
DetaljerDEL 1 GRUNNLEGGENDE STATISTIKK
INNHOLD 1 INNLEDNING 15 1.1 Parallelle verdener........................... 18 1.2 Telle gunstige.............................. 20 1.3 Regneverktøy og webstøtte....................... 22 1.4 Oppgaver................................
DetaljerHøgskolen i Telemark. Institutt for økonomi og informatikk FORMELSAMLING Statistikk I. Til bruk ved eksamen. Per Chr. Hagen
Høgskolen i Telemark Institutt for økonomi og informatikk FORMELSAMLING 6005 Statistikk I Til bruk ved eksamen Per Chr. Hagen . Sannsynlighetsregning. Regneregler Komplementsetningen: Addisjonssetningen:
DetaljerEksamensoppgave i TMA4295 Statistisk inferens
Institutt for matematiske fag Eksamensoppgave i TMA4295 Statistisk inferens Faglig kontakt under eksamen: Vaclav Slimacek Tlf: 942 96 313 Eksamensdato: Tirsdag 2. desember 2014 Eksamenstid (fra til): 09:00-13:00
DetaljerLøsningsforslag til Mat112 Obligatorisk Oppgave, våren Oppgave 1
Løsningsforslag til Mat2 Obligatorisk Oppgave, våren 206 Oppgave Avgjør om følgende rekker er konvergente: (a) n + n n + n + Løsning: rekken lim : n n + n n + n + Vi bruker grensesammenligningstesten mhp.
DetaljerBioberegninger - notat 4: Mer om sannsynlighetsmaksimering
Bioberegninger - notat 4: Mer om sannsynlighetsmaksimering 8. mars 2004 1 Kort om Newton s metode i flere dimensjoner Newton s metode kan generaliseres til å løse sett av n ligninger med n ukjente. Skal
DetaljerUNIVERSITETET I OSLO Matematisk Institutt
UNIVERSITETET I OSLO Matematisk Institutt Eksamen i: STK 1110 Statistiske metoder og dataanalyse 1 Tid for eksamen: Mandag 28. november 2016, kl. 14:30 18:30 Hjelpemidler: Formelsamling til STK 1100 og
DetaljerEKSAMEN I FAG TMA4275 LEVETIDSANALYSE Xxxdag xx. juni 2008 Tid: 09:0013:00
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 5 Faglig kontakt under eksamen: NN EKSAMEN I FAG TMA4275 LEVETIDSANALYSE Xxxdag xx. juni 2008 Tid: 09:0013:00 Tillatte
DetaljerEkstraoppgaver for STK2120
Ekstraoppgaver for STK2120 Geir Storvik Vår 2011 Ekstraoppgave 1 Anta X 1 og X 2 er uavhengige med X 1 N(1.0, 1.0) og X 2 N(2.0, 1.5). La X = (X 1, X 2 ) T. Definer c = ( ) 2.0 3.0, A = ( ) 1.0 0.5 0.0
DetaljerBootstrapping og stokatisk simulering Tilleggslitteratur for STK1100
Bootstrapping og stokatisk simulering Tilleggslitteratur for STK1100 Geir Storvik April 014 1 Introduksjon Simulering av tilfeldige variable (stokastisk simulering) er et nyttig verktøy innenfor statistikk
DetaljerTMA4240 Statistikk H2010
TMA4240 Statistikk H2010 Statistisk inferens: 9.14: Sannsynlighetsmaksimeringsestimatoren 8.5: Fordeling til gjennomsnittet 9.4: Konfidensintervall for µ (σ kjent) Mette Langaas Foreleses mandag 11.oktober,
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: Eksamensdag: Torsdag 2. juni 24 Tid for eksamen: 4.3 8.3 Oppgavesettet er på 5 sider. Vedlegg: Tillatte hjelpemidler: STK429
DetaljerEKSAMEN I FAG TMA4260 INDUSTRIELL STATISTIKK
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 12 Faglig kontakt under eksamen: Bo Lindqvist Tlf. 975 89 418 EKSAMEN I FAG TMA4260 INDUSTRIELL STATISTIKK Onsdag
DetaljerFORMELSAMLING TIL STK1100 OG STK1110
FORMELSAMLING TIL STK1100 OG STK1110 (Versjon av 16. november 2009) 1. Sannsynlighet La A, B, A 1, A 2,...,B 1, B 2,... være begivenheter, dvs. delmengder av et utfallsrom Ω. a) Aksiomene: Et sannsynlighetsmål
DetaljerStatistisk 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,
DetaljerSiden 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
DetaljerTMA4240 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
DetaljerUtfordring. TMA4240 Statistikk H2010. Mette Langaas. Foreleses uke 40, 2010
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
DetaljerEksponensielle klasser og GLM
!! 3 ksponensielle klasser, Dobson, Kap 3 ksponensielle klasser GLM n stokastisk variabel sies å ha fordeling i den eksponensielle fordelingsklasse som tettheten pktsannsh til kan skrives på formen STK3-3
DetaljerUtvalgsfordelinger; utvalg, populasjon, grafiske metoder, X, S 2, t-fordeling, χ 2 -fordeling
Kapittel 8 Utvalgsfordelinger; utvalg, populasjon, grafiske metoder, X, S 2, t-fordeling, χ 2 -fordeling TMA4240 H2006: Eirik Mo 2 Til nå... Definert sannsynlighet og stokastiske variabler (kap. 2 & 3).
DetaljerKapittel 3: Stokastiske variable og sannsynlighetsfordelinger
Kapittel 3: Stokastiske variable og sannsynlighetsfordelinger TMA4245 Statistikk (B, K1, I) 3.1, 3.2, 3.3 foreleses torsdag 15.januar 0.00 0.02 0.04 0.06 0.08 160 170 180 190 hoyde i cm Mette.Langaas@math.ntnu.no
DetaljerRepeterte målinger. Repeterte målinger. Eirik Skogvoll. Gjentatte observasjoner på samme individ:
Repeterte målinger Eirik Skogvoll 1.amanuensis dr.med. Enhet for anvendt klinisk forskning (AKF) Det medisinske fakultet, februar 2008 1 Repeterte målinger Mer eller mindre synonymt med... Repeated measurements
DetaljerST0103 Brukerkurs i statistikk Forelesning 26, 18. november 2016 Kapittel 8: Sammenligning av grupper
ST0103 Brukerkurs i statistikk Forelesning 26, 18. november 2016 Kapittel 8: Sammenligning av grupper Bo Lindqvist Institutt for matematiske fag 2 Kapittel 8: Sammenligning av grupper Situasjon: Vi ønsker
DetaljerForskningsresultater som brukes og synes ved Norsk Regnesentral
www.nr.no www.nr.no Forskningsresultater som brukes og synes ved Norsk Regnesentral André Teigland Forskningssjef SAMBA Mathilde Wilhelmsen NR er et forskningsinstitutt Privat stiftelse Anvendt oppdragsforskning
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren
ÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Oppsummering Bjørn H. Auestad Institutt for matematikk og naturvitenskap Universitetet i Stavanger 24. april Bjørn H. Auestad Oppsummering våren
DetaljerEksamensoppgave i TMA4240 / TMA4245 Statistikk
Institutt for matematiske fag Eksamensoppgave i TMA4240 / TMA4245 Statistikk Faglig kontakt under eksamen: Håkon Tjelmeland Tlf: 48 22 18 96 Eksamensdato: 10. august 2017 Eksamenstid (fra til): 09.00-13.00
DetaljerSimulering med Applet fra boken, av z og t basert på en rekke utvalg av en gitt størrelse n fra N(μ,σ). Illustrerer hvordan estimering av variansen
Simulering med Applet fra boken, av z og t basert på en rekke utvalg av en gitt størrelse n fra N(μ,σ). Illustrerer hvordan estimering av variansen gir testobservatoren t mer spredning enn testobservatoren
DetaljerOppgave 1: Terningsutfall På en kubisk terning er det 1/6 sannsynlighet for hver type utfall fra 1 til 6. Ved to terninger, er utfallene antatt
Oppgave 1: Terningsutfall På en kubisk terning er det 1/6 sannsnlighet for hver tpe utfall fra 1 til 6. Ved to terninger, er utfallene antatt uavhengig. a) Hva er sannsnligheten for å få et spesifikt utfall
DetaljerFasit for tilleggsoppgaver
Fasit for tilleggsoppgaver Uke 5 Oppgave: Gitt en rekke med observasjoner x i (i = 1,, 3,, n), definerer vi variansen til x i som gjennomsnittlig kvadratavvik fra gjennomsnittet, m.a.o. Var(x i ) = (x
DetaljerEKSAMEN I FAG TMA4275 LEVETIDSANALYSE Lørdag 4. juni 2005 Tid: 09:00 13:00
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 5 Faglig kontakt under eksamen: Bo Lindqvist 975 89 418 EKSAMEN I FAG TMA4275 LEVETIDSANALYSE Lørdag 4. juni 2005
DetaljerØving 12, ST1301 A: B:
Øving 12, ST1301 Oppgave 1 En to-utvalgs t-test forutsetter at observasjonene i hvert utvalg X 1 ; X 2 ; : : : ; X n og Y 1 ; Y 2 ; : : : ; Y m er uavhengige normalfordelte variable. Hvis testen oppfører
DetaljerForelesning 10 Statistiske mål for bivariat tabellanalyse. Korrelasjonsmål etter målenivå. Cramers V
Forelesning 10 Statistiske mål for bivariat tabellanalyse Vi har ulike koeffisienter som viser styrken på den statistiske avhengigheten mellom de to variablene. Valg av koeffisient må vurderes ut fra variablenes
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
Utsatt eksamen i: ECON130 Statistikk 1 UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Eksamensdag: 1306017 Sensur kunngjøres senest: 3006017 Tid for eksamen: kl 09:00 1:00 Oppgavesettet er på 5 sider Tillatte
DetaljerForelesning 9 Kjikvadrattesten. Kjikvadrattest for bivariate tabeller (klassisk variant) Når kan vi forkaste H 0?
Forelesning 9 Kjikvadrattesten Kjikvadrattesten er den mest benyttede metoden for å utføre statistiske generaliseringer fra bivariate tabeller. Kjikvadrattesten brukes til å teste nullhypotesen om at det
DetaljerWeibullfordelingen. Kjetil L. Nielsen. Innhold. 1 Teori. 1.1 Tetthetsfunksjon og fordelingsfunksjon
Weibullfordelingen Kjetil L. Nielsen Innhold Teori......................................... Tetthetsfunksjon og fordelingsfunksjon......................2 Parameterene i Weibullfordelingen.......................
DetaljerKontroller at oppgavesettet er komplett før du begynner å besvare spørsmålene. Ved sensuren teller alle delspørsmål likt.
Eksamen i: MET00 Statistikk for økonomer Eksamensdag: 8. november 2007 Tid for eksamen: 09.00-13.00 Oppgavesettet er på 5 sider. Tillatte hjelpemidler: Alle trykte eller egenskrevne hjelpemidler og kalkulator.
DetaljerDenne oppgaven er skrevet som et selvstendig arbeid i siste semester på masterstudiet i finansiell økonomi ved NTNU. Oppgaven utgjør 30 studiepoeng.
FORORD Denne oppgaven er skrevet som et selvstendig arbeid i siste semester på masterstudiet i finansiell økonomi ved NTNU. Oppgaven utgjør 30 studiepoeng. Formålet med oppgaven har vært å se om man kan
DetaljerEksamensoppgåve i TMA4240 / TMA4245 Statistikk
Institutt for matematiske fag Eksamensoppgåve i TMA4240 / TMA4245 Statistikk Fagleg kontakt under eksamen: Håkon Tjelmeland Tlf: 48 22 18 96 Eksamensdato: 10. august 2017 Eksamenstid (frå til): 09.00-13.00
DetaljerFORMELSAMLING TIL STK1100 OG STK1110
FORMELSAMLING TIL STK1100 OG STK1110 (Versjon av 11. november 2017) 1. Sannsynlighet La A, B, A 1, A 2,..., B 1, B 2,... være begivenheter, dvs. delmengder av et utfallsrom Ω. a) Aksiomene: Et sannsynlighetsmål
DetaljerTMA4240 Statistikk H2010 Kapittel 5: Diskrete sannsynlighetsfordelinger : Uniform, binomisk, hypergeometrisk fordeling
TMA4240 Statistikk H2010 Kapittel 5: Diskrete sannsynlighetsfordelinger 5.1-5.4: Uniform, binomisk, hypergeometrisk fordeling Mette Langaas 2 Arbeidshverdag etter endt studium Studere et fenomen (f.eks.
DetaljerBioberegninger, ST1301 Onsdag 1. juni 2005 Løsningsforslag
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 5 Bioberegninger, ST1301 Onsdag 1. juni 2005 Løsningsforslag Oppgave 1 a) Verdien av uttrykkene blir som følger: >
Detaljer> 6 7 ) = 1 Φ( 1) = 1 0.1587 = 0.8413 P (X < 7 X < 8) P (X < 8) < 7 6 1 ) < 8 6 1 ) = Φ(2) = 0.8413
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side av 7 Oppgave Sykkelruter a) P (Y > 6) P (Y > 6) P ( Y 7 > 6 7 ) Φ( ) 0.587 0.843 b) Hypoteser: H 0 : µ µ 2 H : µ < µ 2
DetaljerKap. 6, Kontinuerlege Sannsynsfordelingar
Kapittel 6, Kontinuerlege Sannsynsfordelingar Sjå på eit utval av ofte brukte kontinuerlege sannsynsfordelingar Uniform I går Normal I går Eksponensial I dag Gamma I dag Kji-kvadrat I dag Nokre eigenskapar
DetaljerLogistisk regresjon 2
Logistisk regresjon 2 SPSS Utskrift: Trivariat regresjon a KJONN UTDAAR Constant Variables in the Equation B S.E. Wald df Sig. Exp(B) -,536,3 84,56,000,25,84,08 09,956,000,202 -,469,083 35,7,000,230 a.
DetaljerEksamensoppgave i TMA4275 Levetidsanalyse
Institutt for matematiske fag Eksamensoppgave i TMA4275 Levetidsanalyse Faglig kontakt under eksamen: Jacopo Paglia Tlf: 967 03 414 Eksamensdato: Fredag 7. juni 2019 Eksamenstid (fra til): 09:00 13:00
Detaljer6.2 Signifikanstester
6.2 Signifikanstester Konfidensintervaller er nyttige når vi ønsker å estimere en populasjonsparameter Signifikanstester er nyttige dersom vi ønsker å teste en hypotese om en parameter i en populasjon
DetaljerNotat 6 - ST februar 2005
Notat 6 - ST1301 22. februar 2005 1 Instruksjoner som data I begynnelsen av kurset definerte vi data som informasjon uttrykkt i et programmeringsspråk. Slike data kan være av ulik type, f.eks. enkle skalarer
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Statistisk inferens (kap. 8) Statistisk inferens er å tolke/analysere resultater fra utvalget for å finne ut mest mulig
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i STK2120 Statistiske metoder og dataanalyse 2 Eksamensdag: Mandag 6. juni 2011. Tid for eksamen: 14.30 18.30. Oppgavesettet er
Detaljer1 Section 7-2: Estimere populasjonsandelen. 2 Section 7-4: Estimere µ når σ er ukjent
1 Section 7-2: Estimere populasjonsandelen 2 Section 7-4: Estimere µ når σ er ukjent Kapittel 7 Nå begynner vi med statistisk inferens! Bruke stikkprøven til å 1 Estimere verdien til en parameter i populasjonen.
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: ST 202 Statistiske slutninger for den eksponentielle fordelingsklasse. Eksamensdag: Fredag 15. desember 1995. Tid for eksamen:
DetaljerTMA4240 Statistikk Høst 2016
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Anbefalt øving 9 Løsningsskisse Oppgave 1 a) Vi lar her Y være antall fugler som kolliderer med vindmølla i løpet av den gitte
DetaljerEksamensoppgave i TMA4275 Levetidsanalyse
Institutt for matematiske fag Eksamensoppgave i TMA4275 Levetidsanalyse Faglig kontakt under eksamen: Bo Lindqvist Tlf: 975 89 418 Eksamensdato: Lørdag 31. mai 2014 Eksamenstid (fra til): 09:00-13:00 Hjelpemiddelkode/Tillatte
DetaljerMatlab-tips til Oppgave 2
Matlab-tips til Oppgave 2 Numerisk integrasjon (a) Velg ut maks 10 passende punkter fra øvre og nedre del av hysteresekurven. Bruk punktene som input til Matlab og lag et plot. Vi definerer tre vektorer
DetaljerStatistisk inferens (kap. 8) Hovedtyper av statistisk inferens. ST0202 Statistikk for samfunnsvitere
2 Statistisk inferens (kap. 8) Statistisk inferens er å tolke/analysere resultater fra utvalget for å finne ut mest mulig om populasjonen. Konkret: Å analysere en utvalgsobservator for å trekke slutninger
DetaljerINF2810: Funksjonell Programmering. Lokale variabler. Og trær.
INF2810: Funksjonell Programmering Lokale variabler. Og trær. Erik Velldal Universitetet i Oslo 11. september 2019 Tema forrige uke 2 Lister som datastruktur quote Rekursjon på lister Høyereordens prosedyrer
DetaljerUnivariate tabeller. Statistisk uavhengighet og statistisk avhengighet. Bivariat tabellanalyse. Hvordan bør vi prosentuere denne tabellen?
Forelesning 8 Tabellanalyse Tabellanalyse er en godt egnet presentasjonsform hvis: variablene har et fåtall naturlige kategorier For eksempel kjønn, Eu-syn variablene er delt inn i kategorier For eksempel
DetaljerKontinuerlige sannsynlighetsfordelinger.
Kontinuerlige sannsynlighetsfordelinger. Dekkes av kap. 6 og deler av kap. 8.5 i boka. Husk: f(x) er sannsynlighetstettheten til en kontinuerlig X dersom: 1. f(x) 0 for alle x R 2. f(x)dx =1 3. P (a
DetaljerLa U og V være uavhengige standard normalfordelte variable og definer
Binormalfordelingen Definisjon Noe av hensikten med å innføre begrepet betinget sannsynlighet er at kompliserte modeller ofte kan bygges ut fra enkle betingede modeller. Når man spesifiserer betingelser
DetaljerVeiledning Tittel: Veiledning for utarbeiding av økonomiske analyser Dok.nr: RL065
Veiledning Tittel: Dok.nr: RL065 Rev.nr: 02 Utarbeidet av: Konkurransetilsynet Side: 1 av 5 INNHOLD 1 Bakgrunn og formål... 2 2 Generelle prinsipper... 2 2.1 Klarhet og transparens... 2 2.2 Kompletthet...
DetaljerUNIVERSITETET I OSLO. Det matematisk-naturvitenskapelige fakultet
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i INF1080 Logiske metoder for informatikk Eksamensdag: 10. desember 2013 Tid for eksamen: 09.00 13.00 Oppgave 1 Mengdelære (10 poeng)
DetaljerMatematisk statistikk og stokastiske prosesser B, høsten 2006 Løsninger til oppgavesett 5, s. 1. Oppgave 1
Matematisk statistikk og stokastiske prosesser B, høsten 2006 Løsninger til oppgavesett 5, s AR2-modell: Oppgave X t φ X t φ 2 X t 2 Z t Antas å være kausal slik at X t ψ j Z t j er ukorrelert med Z t+,
DetaljerEksamen i SØK2005 Finansmarkeder (Vår 2014)
Eksamen i SØK2005 Finansmarkeder (Vår 2014) Ta de forutsetninger du måtte finne nødvendig. %-satsene bak oppgavenummereringen er kun ment som en indikasjon på hvordan de ulike oppgavene kommer til å bli
Detaljer