STK1100 våren 2017 Estimering
|
|
- Tomas Rønningen
- 6 år siden
- Visninger:
Transkript
1 STK1100 våre 017 Estimerig Svarer til sidee i læreboka Ørulf Borga Matematisk istitutt Uiversitetet i Oslo 1
2 Politisk meigsmålig Spør et tilfeldig utvalg på 1000 persoer hva de ville ha stemt hvis det hadde vært valg 305 ville ha stemt Ap Ap's oppslutig er = Hvor sikkert er dette aslaget?
3 Målig av lugefuksjo Et mål på lugefuksjo er FEV1 (forced expiratory volume i 1 secod). I e studie i Hordalad på 1990-tallet ble FEV1 målt for 164 ikke-røykede, friske me i alder år Hvorda ka vi bruke iformasjoe til å fastlegge et «ormalområde» for FEV1 for me i alder år? (I praksis vil e også ta hesy til høyde og BMI, me det ser vi bort fra her) 3
4 The Germa tak problem Uder adre verdeskrig brukte de allierte (blat aet) serieumree for tyske taks til å aslå hvor mage taks tyskeree hadde og hvor stor produksjoe var for ulike måeder. Hvorda ka serieumree gi dee iformasjoe? 4
5 Statistiske modeller Felles for de tre situasjoee er at vi har data x1, x,..., x for eheter: For meigsmålige er x i =1 hvis perso ummer i ville ha stemt Ap, = 0 ellers For måligee av lugefuksjo er x i FEV1 målige for perso ummer i For taksee er x i serieummeret for de i-te takse de allierte fikk iformasjo om x i 5
6 På grulag av utvalget, dvs. de observerte x i -ee, øsker vi å få kuskap om de populasjoe observasjoee kommer fra Vi må da ha e modell som agir hvorda de observerte -ee framkommer fra populasjoe x i Vi vil ata at x1, x,..., x er observerte verdier av stokastiske variable X1, X,..., X og at vi kjeer fordelige til de stokastiske variablee (med utak av e eller flere parametere) 6
7 For meigsmålige vil vi ata at X1, X,..., X er uavhegige og Beroulli-fordelte, dvs P( X = 1) = p og P( X = 0) = 1 p i For måligee av lugefuksjo vil vi ata at X1, X,..., X er uavhegige og N( µσ, ) - fordelte For taksee vil vi ata at X1, X,..., X er et tilfeldig utvalg (ute tilbakeleggig) blat tallee 1,,..., N I alle de tre tilfellee øsker vi å aslå verdie av e eller flere ukjete parametere, dvs p, µ, σ og N i 7
8 Geerelt vil vi ata at x1, x,..., x er observerte verdier av stokastiske variable X1, X,..., X og at X i -ee har e fordelig som avheger av e parameter θ (det ka være flere parametere, me vi vil fokusere på e om gage) Vi vil aslå verdie til θ (eller estimere verdie som det heter på «statistikerspråket») på grulag av observasjoee våre Til det bruker vi e estimator θ ˆ θ ˆ(,,..., ) = X1 X X På grulag av de observerte x i -ee, får vi estimatet θ ˆ θ ˆ( x, x,..., x ) = 1 8
9 Beroulli variabler og Biomisk fordelig Ata at X1, X,..., X er uavhegige og Beroullifordelte, dvs P( X = 1) = p og P( X = 0) = 1 i i p Da er = i i= 1 Y X biomisk(, p) E aturlig estimator for p er ˆ= Y p For meigsmålige har vi =1000 og vi observerte y= 305 Vi får dermed estimatet 305 ˆ = y p = = 9
10 E ae estimator for p er * = Y+ p + 4 For meigsmålige gir dee estimatet y+ 307 p* = = = Det er lite forskjell på ˆp og p* her. Forskjelle er større år er midre og y er ær 0 eller Hvorda ka vi avgjøre hvilke estimator som er best? 10
11 Mea square error (MSE) Vi ser på de geerelle situasjoe der X1, X,..., X har e fordelig som avheger av e parameter θ Vi øsker at estimatore θ ˆ = θ ˆ( X,,..., ) 1 X X skal være ær θ Kokret øsker vi at MSE( θˆ ) = E[( θˆ θ ) ] skal være så lite som mulig Merk at (detaljer på forelesige) MSE( θˆ ) = V ( θˆ ) + [ E( θˆ ) θ] = varias + (skjevhet) 11
12 Se på situasjoe der Vi har estimatoree Y ˆ= Y p biomisk(, p) og Her er (detaljer på forelesige) MSE( pˆ ) (1 ) = p p * = Y+ p + 4 p(1 p) / 4 p / MSE( p*) = / 1+ 4 / 1
13 MSE for ˆp («usual») og p* («alterative») = 10 =
14 Forvetigsrette estimatorer Vi ser på de geerelle situasjoe med e estimator θ ˆ θ ˆ( X, X,..., X ) for θ = 1 Hvis E( θˆ ) = θ for alle mulige verdier av θ, sier vi at ˆθ er forvetigsrett (egelsk: ubiased) For e forvetigsrett estimator er skjevhete E( θˆ ) θ lik 0, og det følger at MSE( θˆ ) =V ( θˆ ) For de biomiske situasjoe er pˆ= Y e forvetigsrett estimator for p 14
15 Uavhegige og idetisk fordelte variabler Ata at X1, X,..., X er uavhegige og idetisk fordelte (u.i.f.) med forvetig µ og varias σ Da er ˆµ 1 = X= X i i= 1 e forvetigsrett estimator for µ og V ( µ ˆ) = V ( X ) = σ 15
16 Videre er (detaljer på forelesige) 1 ( ) S = X 1 i X i = 1 e forvetigsrett estimator for Disse estimatoree er spesielt aktuelle for ormalfordelte data (for adre fordelige ka det være at adre estimatorer er bedre) For FEV1-måligee var x = 4.48 og s = s = 0.60 FEV1-måliger for år gamle ikke-røykede, frikse me er (ca.) ormalfordelt med forvetigsverdi 4.48 liter og stadardavvik 0.60 liter 16
17 Uiform diskret fordelig Ata at X1, X,..., X er et tilfeldig utvalg ute tilbakeleggig blat tallee 1,,..., N, der N er ukjet (jf. «the Germa tak problem») Vi vil fie e forvetigsrett estimator for N La X ( ) = max X i være det største tallet vi observerer Da er (detaljer på forelesige) ( N+ 1) E X ( ) = + 1 og e forvetigsrett estimator for N er ˆ + 1 N= X 1 ( ) 17
18 Ved å bruke dee formele (samme med diverse ae iformasjo) kue de allierte aslå størrelse av de tyske produksjoe av taks i ulike måeder (og på ulike steder): Ruggles & Brodie (1947). A Empirical Approach to Ecoomic Itelligece i World War II. Joural of the America Statistical Associatio, Vol. 4, pp
STK1100 våren Estimering. Politisk meningsmåling. Svarer til sidene i læreboka. The German tank problem. Måling av lungefunksjon
STK00 våre 07 Estmerg Svarer tl sdee 33-339 læreboka Poltsk megsmålg Sør et tlfeldg utvalg å 000 ersoer hva de vlle ha stemt hvs det hadde vært valg 305 vlle ha stemt A A's oslutg er Ørulf Borga Matematsk
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
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
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
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
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
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
DetaljerEcon 2130 uke 15 (HG) Poissonfordelingen og innføring i estimering
Eco 130 uke 15 (HG) Poissofordelige og iførig i estimerig 1 Poissofordelige (i) Tilærmig til biomialfordelige. Regel. ( Poissotilærmelse ) Ata Y ~ bi(, p) E( Y ) = p og var( Y ) = p(1 p). Hvis er stor
DetaljerTALLSVAR. Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i << >>.
1 ECON130: EKSAMEN 013 VÅR - UTSATT PRØVE TALLSVAR. Det abefales at de 9 deloppgavee merket med A, B, teller likt uasett variasjo i vaskelighetsgrad. Svaree er gitt i
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
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
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
DetaljerTMA4240 Statistikk Høst 2015
Høst 205 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer, blokk II Løsigsskisse Oppgave a) X bi(, p) fordi: Udersøker uavhegige delar av DNA-strukture. Fi for kvar del
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 >
DetaljerModeller 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,
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,
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)
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
DetaljerEstimering 2. -Konfidensintervall
Estimerig 2 -Kofidesitervall Dekkes av kap. 9.4-9.5, 9.10, 9.12 og forelesigsotatee. Dersom forsøket gjetas mage gager vil (1 α)100% av itervallee [ ˆΘ L, ˆΘ U ] ieholde de ukjete parametere θ (som er
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
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
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
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
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
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
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
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
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 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
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
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
Eksame i: ECON130 Statistikk 1 UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Eksamesdag: 6.05.017 Sesur kugøres: 16.06.017 Tid for eksame: kl. 14:30 17:30 Oppgavesettet er på 6 sider Tillatte helpemidler: Alle
DetaljerMOT310 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
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
DetaljerTMA4240 Statistikk Eksamen desember 2015
Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag TMA20 Statistikk Eksame desember 205 Løsigsskisse Oppgave a) De kumulative fordeligsfuksjoe til X, F (x) P (X x): F (x) P (X x) x
DetaljerOppgave 1. (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
DetaljerLøsningsforsalg til første sett med obligatoriske oppgaver i STK1110 høsten 2018
Løsigsforsalg til første sett med obligatoriske oppgaver i STK1110 høste 2018 Oppgave 1 (a Et 100(1 α% kofidesitervall for forvetigsverdie µ er gitt ved formel (8.15 på side 403 i læreboka. For situasjoe
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 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
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
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
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
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
DetaljerLøsningsforslag ST2301 øving 3
Løsigsforslag ST2301 øvig 3 Kapittel 1 Exercise 11 Et utvalg på 100 idivider trekkes fra e populasjo med tilfeldig parrig. Det ble observert AA 63 idivider av geotype AA, Aa 27, og aa 10. Lag et 95 % kofidesitervall
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.
DetaljerECON240 Statistikk og økonometri
ECON240 Statistikk og økoometri Arild Aakvik, Istitutt for økoomi 1 Mellomregig MKM Model: Y i = a i + bx i + e i MKM-estimator for b: b = = Xi Y i 1 Xi Yi Xi 1 ( X i ) 2 (Xi X)(Y i Ȳi) (Xi X) 2 hvor vi
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 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
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2007 Kp. 6, del 2
ÅMA11 Sasylighetsregig med statistikk, våre 27 Kp. 6, del 2 Bjør H. Auestad Istitutt for matematikk og aturviteskap 5. mars 21 Bjør H. Auestad Kp. 6: del 1/2 1/ 42 Bjør H. Auestad Kp. 6: del 1/2 2/ 42
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
DetaljerTMA4245 Statistikk Eksamen august 2015
Eksame august 15 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Løsigsskisse Oppgave 1 a asylighetee blir og X > Z > 1 1 Z 1 Φ.3,.5 W > 5 X + Y > 5 b Forvetet samfuskostad blir
DetaljerLøsningsforslag til eksamen i STK desember 2010
Løsigsforslag til eksame i STK0 0. desember 200 Løsigsforslaget har med flere detaljer e det vil bli krevd til eksame. Oppgave a Det er tilpasset e multippel lieær regresjosmodell av forme β 0 + β x i
Detaljer2. Hypotesetesting i ulike sitausjoner: i. for forventingen, μ, i målemodellen med normalantakelse og kjent varians, σ 2.
Oversikt 1. Hva er hypotesetestig? 2. i ulike sitausjoer: i. for forvetige, μ, med ormalatakelse og kjet varias, σ 2. ii. for forvetige, μ, med stor og ormaltilærmig (variase, σ 2, ukjet). iii. for suksessasylighete,
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
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
DetaljerSTK1100 våren 2019 Mere om konfidensintevaller
STK1100 våren 2019 Mere om konfidensintevaller Svarer til avsnitt 8.2 i læreboka Ørnulf Borgan Matematisk institutt Universitetet i Oslo 1 Konfidensintervall for µ i store utvalg Anta at de stokastiske
DetaljerKap. 9: Inferens om én populasjon
2 ST0202 Statistikk for samfusvitere Bo Lidqvist Istitutt for matematiske fag Ka. 9: Iferes om é oulasjo Hvis σ er ukjet bytter vi ut σ med s i Ny observator blir t = x μ s/ z = x μ σ/ der s = Σx 2 (Σx)
DetaljerKap. 9: Inferens om én populasjon
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)
DetaljerEstimering og hypotesetesting. Estimering og hypotesetesting. Estimering og hypotesetesting. Kapittel 10. Ett- og toutvalgs hypotesetesting
3 Estimerig og hypotesetestig Kapittel 10 Ett- og toutvalgs hypotesetestig TMA4240 H2006: Eirik Mo Feome Bilkjørig Høyde til studeter Estimator ˆp = X, X atall ˆµ = X gjeomsittlig høyde. som syes de er
DetaljerTMA4240 Statistikk Høst 2016
Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Abefalt øvig 8 Løsigsskisse Oppgave 1 a) Simuler 1000 datasett i MATLAB. Hvert datasett skal bestå av 100 utfall fra e ormalfordelig
DetaljerTMA4245 Statistikk Vår 2015
TMA4245 Statistikk Vår 2015 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer 12, blokk II Oppgave 1 Kari har ylig kjøpt seg e y bil. Nå øsker hu å udersøke biles besiforbruk
DetaljerOversikt over konfidensintervall i Econ 2130
1 HG Revidert april 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
DetaljerOversikt 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.
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
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
DetaljerTMA4240 Statistikk Høst 2015
TMA4240 Statistikk Høst 2015 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer 12, blokk II I dee siste øvige fokuserer vi på lieær regresjo, der vi har kjete kovariater
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
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
DetaljerTMA4240 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,
DetaljerST1201 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.
DetaljerEstimering og hypotesetesting. Estimering og hypotesetesting. Estimering og hypotesetesting. Kapittel 10. Ett- og toutvalgs hypotesetesting
3 Estimerig og hypotesetestig Kapittel 10 Ett- og toutvalgs hypotesetestig TMA445 V007: Eirik Mo Feome Bilkjørig Høyde til studeter Estimator ˆp = X, X atall ˆµ = X gjeomsittlig høyde. som syes de er flikere
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
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
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
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
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.
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2011
ÅMA110 asylighetsregig med statistikk våre 011 Kp. 5 Estimerig 1 Estimerig. Målemodelle. Ihold: 1. (ukt)estimerig i biomisk modell (kp. 5.). Målemodelle... (kp. 5.3) 3. (ukt)estimerig i målemodelle (kp.
Detaljerbetegne begivenheten at det trekkes et billedkort i trekning j (for j=1,2,3), og komplementet til
1 ECON1: EKSAMEN 17v SENSORVEILEDNING. Det abefales at de 9 deloppgavee merket med A, B, teller likt uasett variaso i vaskelighetsgrad. Svaree er gitt i
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
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
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
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
DetaljerSTK1100 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
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.
ÅMA0 Sasylighetsregig med statistikk, våre 008 Kp. 4 Kotiuerlige tilfeldige variable; Normalfordelig Kotiuerlige tilfeldige variable, itro. (eller: Kotiuerlige sasylighetsfordeliger) Vi har til å sett
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 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
DetaljerTMA4240 Statistikk 2014
Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer 2, blokk II Løsigsskisse Oppgave a µ populasjosgjeomsitt, dvs. eit gjeomsitt for alle bilae som køyrer på vegstrekige
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2007 Kp. 6, del 4. Hypotesetesting, del 4
ÅMA11 Sasylighetsregig med statistikk, våre 27 Kp. 6, del 4 Bjør H. Auestad Istitutt for matematikk og aturviteskap Uiversitetet i Stavager 19. mars Bjør H. Auestad Kp. 6: Hypotesetestig del 4 1/ 27 Bjør
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
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
DetaljerOversikt over konfidensintervall i Econ 2130
1 HG Revidert april 014 Oversikt over kofidesitervall i Eco 130 Merk at dee oversikte ikke er met å leses istedefor framstillige i Løvås, me som et supplemet. De ieholder tabeller med formler for kofidesitervaller
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
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
DetaljerTMA4240 Statistikk Høst 2015
Høst 205 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer 2, blokk II Løsigsskisse Oppgave a - β agir biles besiforbruk i liter/mil - Rimelig med α 0 fordi med x 0 ige
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
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
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
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
DetaljerEksempeloppgave 2014. REA3028 Matematikk S2 Eksempel på eksamen våren 2015 etter ny ordning. Ny eksamensordning. Del 1: 3 timer (uten hjelpemidler)
Eksempeloppgave 2014 REA3028 Matematikk S2 Eksempel på eksame våre 2015 etter y ordig Ny eksamesordig Del 1: 3 timer (ute hjelpemidler) Del 2: 2 timer (med hjelpemidler) Mistekrav til digitale verktøy
DetaljerEksamen S2, Høsten 2013
Eksame S, Høste 013 Tid: timer Hjelpemidler: Valige skrivesaker, passer, lijal med cetimetermål og vikelmåler. Oppgave 1 (4 poeg) Deriver fuksjoee 1 x a) fx b) gx 5x 1 5 c) hx x e x 3 Oppgave (5 poeg)
Detaljer