Gruvedrift. Institutt for matematiske fag, NTNU. Notat for TMA4240/TMA4245 Statistikk
|
|
- Håvar Hugo Austad
- 6 år siden
- Visninger:
Transkript
1 Gruvedrift Notat for TMA/TMA Statistikk Institutt for matematiske fag, NTNU I forbindelse med planlegging av gruvedrift i et område er det mange hensyn som må tas når en skal vurdere om prosjektet er lønnsomt. Blant annet er informasjon om den romlige fordelingen til malmen i berget nødvendig for eektivt å kunne utvinne mineralene. Vi vil her se nærmere på målinger av innholdet av et bestemt oksid i malmprøver hentet fra borehull. Målingene av oksidinnhold kan gjøres på to forskjellige måter: ˆ Røntgenuorescensanalyse på et laboratorium (XRF); gir stor nøyaktighet, men er relativt kostbart og tidkrevende. ˆ Måling på stedet med et bærbart røntgenapparat (XMET); ikke like nøyaktig, men billigere og raskere. En nærliggende problemstilling er hvor stor unøyaktighet som introduseres i dataene når man bruker XMET i stedet for XRF. Dataene i malmdata.txt består av observasjoner av oksidinnhold målt med XMET, hvorav observasjoner også er målt med XRF. De syv kolonnene er, fra venstre: Observasjon nr., posisjon (øst), posisjon (nord), dybde, oksidinnhold (XRF), oksidinnhold (XMET) og mineraliseringsklasse (se nedenfor). Figur viser hvor i gruva målingene er hentet fra. De første fem observasjonene er listet i tabell. Tabell De første fem observasjonene i datasettet. Alle tilhører klasse, og det foreligger ikke XRF-målinger for noen av dem (i.txt-la er dette markert ved at XRFmålingen er satt til ). Obs. nr. Øst Nord Dybde XRF XMET Notatet er skrevet av Jacob Skauvold i samarbeid med Jo Eidsvik, og er basert på forskningsrapporten The value of information in mineral exploration av Jo Eidsvik og Steinar L. Ellefmo. Dersom du nner feil eller har forslag til forbedringer, ta kontakt med Jo Eidsvik, joeid@math.ntnu.no
2 Kun XMET XMET og XRF Dybde st Figur Posisjonene i gruva hvor målingene er tatt. Den horisontale aksen er østlig lengde, mens den vertikale aksen er dybde. De este punktene ligger langs rette linjer som tilsvarer borehull. Observasjonene hvor det bare er gjort XMET-målinger er markert med sorte prikker, mens de hvor det nnes både XMET og XRF-målinger er markert med blå sirkler. Figuren er laget med scriptet i plotpositions.m. Koordinatene er tredimensjonale. Scriptet bør derfor kjøres, og plottet roteres, for bedre å gjengi informasjonen. Støy Vi ønsker å anslå hvor nøyaktige XMET-målingene er i forhold til XRF-målingene. Betrakt de observasjonene hvor oksidinnholdet er målt på begge måter. La y,..., y være XRF-målingene, og la y,..., y være XMET-målingene. Vi antar at y i, i =,..., er helt nøyaktige målinger dvs. den målte verdien er den riktige verdien. Vi antar videre at XMET-målingene er gjenstand for normalfordelt støy, y i = y i + ε i, ε i N(, τ ), i =,...,, og vi vil derfor se nærmere på fordelingen til ɛ i = y i y i, i =,...,. Figur viser hvordan observasjonene av ɛ ligger spredt om null. Figuren viser også et histogram og et Q-Q plott som kan brukes til å vurdere om antakelsen om normalfordeling holder. Som estimat for forventningsverdien µ ɛ til ɛ får vi ɛ = ɛ i =.. i= Siden forventningsverdien per antakelse er null, er det to naturlige valg av estimator for variansen (se kap.. og. i W.M.M.Y.): s = i= (ɛ i ɛ) =. og ˆτ = ɛ i =.9. I dette tilfellet spiller det liten rolle hvilken estimator vi velger. Vi noterer oss at ɛ er liten sammenliknet med det estimerte standardavviket. i=
3 Figur Øverst: Fordelingen av ɛ i om null (stiplet linje) for i =,...,, Venstre: Histogram for ɛ, Høyre: Q-Q plott av ɛ for vurdering av normalitet. Figuren er laget med noise.m Hypotesetest: Er µ ɛ forskjellig fra null? Antar at ɛ er normalfordelt med forventningsverdi µ ɛ og varians σ, stiller opp hypotesene H : µ ɛ = og H : µ ɛ, og bruker at under nullhypotesen er observatoren T = ɛ s / t-fordelt med frihetsgrader (se kap.. i W.M.M.Y.). Velger signikansnivå α =., og nner de kritiske verdiene t.9, = t., =.9. Finner så den observerte verdien T =.9. Vi konkluderer at µ ɛ ikke er signikant forskjellig fra null på signikansnivå α =.. Merk at for denne utvalgsstørrelsen er t-testen mer eller mindre identisk med en tilsvarende test med normalfordeling. Klassisering av malmprøver Utfra kvalitative geologiske betraktninger kan malmprøvene deles inn i tre klasser; klasse, klasse og klasse, med økende grad av mineralisering. Typisk kommer de høyeste målingene av oksidinnhold fra klasse -prøver. Box plot av oksidinnhold med én boks for hver klasse er vist i gur både for XMET-data og for XRF-data.
4 vis sammenlikning av observert oksidinnhold XMET, observasjoner XRF, observasjoner Oksidinnhold (XMET) Oksidinnhold (XRF) Figur Venstre: XMET-målinger av oksidinnhold fordelt på klasse (9 observasjoner), klasse (9 observasjoner) og klasse ( observasjoner). Høyre: XRF-målinger av oksidinnhold fordelt på klasse ( observasjoner), klasse ( observasjoner) og klasse ( observasjoner). har de høyeste målingene, og størst forventningsverdi, men også større spredning enn klasse og. Figuren er laget med classboxplot.m. Estimering av forventingsverdi La µ, µ og µ være forventet oksidinnhold for en malmprøve av henholdsvis klasse, og. Vi regner ut estimat og kondensintervall for µ i, i =,,. Som estimator for µ i bruker vi ȳ i = n i y ij n i hvor vi summerer over alle klasse i-observasjonene, n + n + n = n, og n er eller avhengig av om vi ser på XMET- eller XRF-data. For å nne kondensintervaller antar vi at variabelen T = ȳi µ i s i /n i j= med s i = n i n i j= (y ij ȳ i ) er t-fordelt med n i frihetsgrader (W.M.M.Y. kap. 9.). Ved å bruke meanci.m nner vi estimatene og 9%-kondensintervallene i tabell. Lineær regresjon på klasse Det ser ut til å være en signikant sammenheng mellom mineraliseringsklasse og oksidinnhold. For å undersøke denne sammenhengen nærmere utfører vi enkel lineær regresjon av
5 Tabell Estimat og 9% kondensintervall for µ, µ og µ, beregnet med meanci.m. Datagrunnlag Forventningsverdi Estimat 9% kondensintervall Antall frihetsgrader XMET µ.9 (.,.9) µ. (.9,.) µ.9 (.9,.) XRF µ. (.,.) µ. (.9,.) µ.9 (.,.) målt oksidinnhold, y, på mineraliseringsklasse x {,, } og en konstant. Vi skriver altså y = β + β x + ɛ, med ɛ N(, σ ). Vi utfører først regresjonen for alle observasjonene, og lar y være oksidinnhold målt med XMET. Deretter gjør vi det samme for de XRF-observasjonene, og lar y være oksidinnholdet målt med XRF. Resultatet er vist i gur. Siden x bare kan ha heltalls- β =., β =., R =.9 XMET data Regresjonslinje β =., β =., R =. XRF data Regresjonslinje Oksidinnhold (XMET) Oksidinnhold (XRF) Figur Regresjon av oksidinnhold på mineraliseringsklasse (,, ), og en konstant. Venstre: data og regresjonslinje for XMET-målinger. Høyre: Data og regresjonslinje for XRF-målinger. Figuren er laget med linregresjon.m. verdiene, og, har ikke regresjonslinja ŷ = β + β x noen tolkning for andre verdier av x. Et plott av linja er likevel tatt med for referanse. Kondensintervaller for regresjonskoesientene Vi regner ut 9%-kondensintervaller for β og β. Ifølge kap.. i W.M.M.Y. har både T β = ˆβ β s ns xx n i= x i og T β = ˆβ β s /S xx
6 t-fordelinger med n frihetsgrader. Her er s = n n (y i ŷ i ) i= den forventningsrette estimatoren for variansen, σ, til residualene og ˆβ i er estimatoren for β i, i =,. Videre er S xx = n i= (x i x), og i dette tilfellet er n enten lik eller avhengig av hvilke data vi ser på. Bruker scriptet coeffci.m for å regne ut kondensintervallene for begge parametrene med XMET-dataene og med XRF-dataene. Resultatene er oppsummert i tabell. Tabell Estimat og 9% kondensintervall for β og β, fra regresjonsmodell. Datagrunnlag Koesient Estimat 9% kondensintervall XMET β. (.9,.) β. (.,.9) XRF β. (.,.9) β. (.9,.) Regresjon med XRF-dataene gir brattere stigning og lavere skjæringspunkt med y-aksen enn regresjon med XMET-dataene. I tillegg er kondensintervallene for XRF-dataene bredere, hvilket er rimelig, siden det er langt færre XRF-observasjoner enn XMET-observasjoner. Forventet respons Vi antar som før at responsen y har forventningsverdi µ, µ og µ for henholdsvis klasse, klasse og klasse. Regresjonsmodellen gir estimat for disse, nemlig ŷ i, i =,,. med ugangspunkt i modellen kan vi konstruere kondensintervaller for disse estimatene også. Tar da utgangspunkt i den tilfeldige variabelen T = ŷ x µ x ( ) s n + (x x) S xx som er t-fordelt med n frihetsgrader, ifølge kap.. i W.M.M.Y. Bruker responseci.m til å regne ut 9%-kondensintervall. Resultatene er gitt i tabell. Tabell Estimat og 9% kondensintervall for µ, µ og µ, jf. tabell. Datagrunnlag Forventningsverdi Estimat 9% kondensintervall XMET µ = ŷ. (.,.9) µ = ŷ. (.9,.) µ = ŷ.9 (.,.) XRF µ = ŷ. (.9,.) µ = ŷ. (.,.9) µ = ŷ.9 (.9,.9) Kondensintervallene er illustrert, sammen med dataene, i gur. Siden det er en overvekt av klasse -observasjoner, får vi smalere kondensintervaller for klasse og enn for
7 klasse. Dette står i kontrast til gur, som viser at klasse har klart minst spredning i dataene. Uoverensstemmelsen kan forklares delvis med at antakelsene for enkel lineær regresjon ikke er oppfylt. Spesielt er det antakelsen om lik varians for alle residualene som ikke holder. 9 prosent konfidensgrenser, XMET data XMET data Forventet respons 9 prosent konfidensgrenser, XRF data XRF data Forventet respons Oksidinnhold (XMET) Oksidinnhold (XRF) Figur Forventet respons og kondensintervaller for klasse, og. Plottet illustrerer eekten av antall observasjoner på bredden av kondensintervallene: til venstre ses kondensintervallene for XMET-data ( observasjoner), og til høyre intervallene for XRF-data ( observasjoner). Kondensintervallene for XMET-målingene er små og syns derfor dårlig. Figuren er laget med responseci.m. Vi vil undersøke i hvilken grad residualene ɛ = y (β + β x) oppfyller antakelsene for enkel lineær regresjon: ˆ Residualene er uavhengige av hverandre. ˆ Residualene er normalfordelte med forventningsverdi og varians σ. ˆ Variansen σ er den samme for alle residualene. Vi plotter derfor i gur residualplott, histogram og Q-Q plott for ɛ. Residualene fra XRF-dataene ser ikke ut til å oppfylle antakelsene om normalfordelte residualer. Videre viser gur tydelig at antakelsen om lik varians for alle residualene ikke holder for noen av dataene.
8 Figur Venstre: residualplott(øverst), histogram (midten) og Q-Q plott (nederst) for residualene fra regresjon med XMET-data. Høyre: tilsvarende for residualer etter regresjon med XRF-data. Figuren er laget med linregresjon.m. Utvidet modell Siden antakelsen om at residualene har lik varians for alle verdier av x, dvs. for alle tre klassene, byr på problemer, kan vi prøve å unngå den ved i stedet å anta at variansen til residualene avhenger av klasse, men er den samme innenfor hver klasse. La ɛ ij være residual nr. j fra klasse i. Antar da at ɛ ij er normalfordelt med forventningsverdi null og varians σ i. ɛ ij N(, σ i ), j =,..., n i i =,,. Vi vil fortsatt bruke den lineære modellen y ij = β + β x ij + ɛ ij, j =,..., n i i =,,, men siden vi ikke lenger gjør de nødvendige antakelsene, kan vi ikke bruke minste kvadraters metode for å estimere β og β. I stedet kan vi bruke sannsynlighetsmaksimering for å estimere vektoren θ = (β, β, σ, σ, σ ), som inneholder de fem parametrene i modellen.
9 9 Betrakt den simultane fordelingsfunksjonen til residualene ɛ = (ɛ, ɛ,..., ɛ,n ), n f(ɛ θ) = n(ɛ j, σ) j= n k= n n(ɛ k, σ) n(ɛ l, σ). Her er ɛ ij = y ij (β + β x ij ), slik at f(ɛ θ) egentlig er en funksjon av β, β, σ i, x ij og y ij for j =,..., n i, i =,,. Bytter vi plass på argumentene og parametrene, får vi likelihood-funksjonen L(θ ɛ) = f(ɛ θ), dvs. L har samme form som simultanfordelingen, men nå er det θ som er den uavhengige variabelen, og ɛ som er parameter. La nå l = ln L, slik at vi får n ( ) l(θ ɛ) = n ln(πσ) + n ln(πσ) + n ln σ ɛj n ( ) ɛk n ( ) ɛl Sannsynlighetsmaksimeringsestimatet for θ er den verdien som maksimerer L(θ ɛ) med de gitte dataene x og y. Dette er, siden l = ln L, den samme verdien av θ som minimerer l(θ ɛ), altså arg max L(θ ɛ) = arg min l(θ ɛ). θ θ Denne verdien kan nnes numerisk ved f.eks. å bruke funksjonen fminunc fra Matlab Optimization Toolbox, slik det er gjort i likelihood.m. Når scriptet kjøres med XMET-dataene fås estimatene i tabell. I gur b er forventet respons og estimerte standardavvik illustrert med errorbars. Sammenliknet med gur a, som viser tilsvarende for den opprinnelige modellen, er forholdet mellom usikkerhetene for klasse, og her mer i tråd med tendensen en ser i gur. j= σ l= k= σ l= σ Tabell Sannsynlighetsmaksimeringsestimater (SME) for parametrene i den utvidete modellen, beregnet numerisk med likelihood.m. Sammenliknet med verdiene for XMET-dataene i tabell har β blitt større, mens β har blitt noe mindre. Parameter SME β. β.9 σ. σ. σ.9
10 XMET data Forventet respons β =., β =., s =. β =., β =.9, σ =., σ =., σ =.9 XMET data y = β + β x Oksidinnhold (XMET) Oksidinnhold, y , x (a) Enkel lineær regresjonsmodell, β og β estimert med minste kvadraters metode, s er den forventningsrette estimatoren for variansen til residualene. Figuren er laget med responseci.m. (b) Alternativ modell, β, β, σ, σ og σ estimert med sannsynlighetsmaksimering. Figuren er laget med likelihood.m. Figur Forventet respons og standardavvik beregnet utfra den enkle lineære regresjonsmodellen, og den alternative modellen med ulik varians.
Snøtetthet. Institutt for matematiske fag, NTNU 15. august Notat for TMA4240/TMA4245 Statistikk
Snøtetthet Notat for TMA424/TMA4245 Statistikk Institutt for matematiske fag, NTNU 5. august 22 I forbindelse med varsling av om, klimaforskning og særlig kraftproduksjon er det viktig å kunne anslå hvor
DetaljerEksamensoppgave i TMA4245 Statistikk
Institutt for matematiske fag Eksamensoppgave i TMA4245 Statistikk Faglig kontakt under eksamen: Ingelin Steinsland a, Øyvind Bakke b Tlf: a 73 59 02 39, 926 63 096, b 73 59 81 26, 990 41 673 Eksamensdato:
Detaljervekt. vol bruk
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK1110 Statistiske metoder og dataanalyse 1. Eksamensdag: 10. desember 2010. Tid for eksamen: 14.30 18.30. Oppgavesettet er
DetaljerMOT310 Statistiske metoder 1, høsten 2011 Løsninger til regneøving nr. 7 (s. 1) Oppgaver fra boka: n + (x 0 x) 2 1. n + (x 0 x) 1 2 ) = 1 γ
MOT310 Statistiske metoder 1, høsten 2011 Løsninger til regneøving nr. 7 (s. 1) Oppgaver fra boka: Oppgave 11.25 (11.27, 11.6:13) Modell: Y i = α + βx i + ε i der ε 1,..., ε n u.i.f. N(0, σ 2 ). Skal nne
Detaljer10.1 Enkel lineær regresjon Multippel regresjon
Inferens for regresjon 10.1 Enkel lineær regresjon 11.1-11.2 Multippel regresjon 2012 W.H. Freeman and Company Denne uken: Enkel lineær regresjon Litt repetisjon fra kapittel 2 Statistisk modell for enkel
DetaljerOppgave 1. X 1 B(n 1, p 1 ) X 2. Vi er interessert i forskjellen i andeler p 1 p 2, som vi estimerer med. p 1 p 2 = X 1. n 1 n 2.
Løsningsforslag til eksamen i MOT310 STATISTISKE METODER 1 VARIGHET: 4 TIMER DATO: 17 november 2008 TILLATTE HJELPEMIDLER: Kalkulator: HP30S, Casio FX82 eller TI-30 Tabeller og formler i statistikk Tapir
DetaljerTMA4245 Statistikk Eksamen desember 2016
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag TMA4245 Statistikk Eksamen desember 2016 Oppgave 1 En bedrift produserer elektriske komponenter. Komponentene kan ha to typer
DetaljerTMA4240 Statistikk Eksamen desember 2015
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag TMA4240 Statistikk Eksamen desember 15 Oppgave 1 La den kontinuerlige stokastiske variabelen X ha fordelingsfunksjon (sannsynlighetstetthet
DetaljerTMA4240 Statistikk Høst 2016
TMA4240 Statistikk Høst 2016 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Anbefalt øving 12 Denne øvingen består av oppgaver om enkel lineær regresjon. De handler blant
DetaljerEksamensoppgave i TMA4240 Statistikk
Institutt for matematiske fag Eksamensoppgave i TMA4240 Statistikk Faglig kontakt under eksamen: Mette Langaas a, Ingelin Steinsland b, Geir-Arne Fuglstad c Tlf: a 988 47 649, b 926 63 096, c 452 70 806
DetaljerTMA4240 Statistikk Høst 2009
TMA4240 Statistikk Høst 2009 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer b6 Oppgave 1 Oppgave 11.5 fra læreboka. Oppgave 2 Oppgave 11.21 fra læreboka. Oppgave
DetaljerKlassisering. Insitutt for matematiske fag, NTNU 21. august Klassiseringsproblemet. Notat for TMA4240/TMA4245 Statistikk
Klassisering Notat for TMA4240/TMA4245 Statistikk Insitutt for matematiske fag, NTNU 21. august 2012 Innen maskinlæring studerer man algoritmer som tillater datamaskiner å utvikle atferd på grunnlag av
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK1110 Statistiske metoder og dataanalyse 1. Eksamensdag: Tirsdag 11. desember 2012. Tid for eksamen: 14.30 18.30. Oppgavesettet
DetaljerOppgave 1. Vi må forutsette at dataene kommer fra uavhengige og normalfordelte tilfeldige variable,
MOT30 Statistiske metoder Løsningsforslag til eksamen vår 0 s. Oppgave a Vi har x = 6. og x i x = 4.6. Herav s x = n Et 90% kondensintervall er gitt ved x i x = 4.6 = 0.89 6 SX X t 0.056 X + t S X 0.056
DetaljerEksamensoppgave i ST0103 Brukerkurs i statistikk
Institutt for matematiske fag Eksamensoppgave i ST0103 Brukerkurs i statistikk Faglig kontakt under eksamen: Nikolai Ushakov Tlf: 45128897 Eksamensdato: August 2018 Eksamenstid (fra til): 09:00 13:00 Hjelpemiddelkode/Tillatte
DetaljerOppgave 1. a) Anlysetype: enveis variansanalyse (ANOVA). Modell for y ij = ekspedisjonstid nr. j for skrankeansatt nr. i:
MOT310 tatistiske metoder 1 Løsningsforslag til eksamen høst 010, s 1 Oppgave 1 a) Anlysetype: enveis variansanalyse (ANOVA) Modell for y ij ekspedisjonstid nr j for skrankeansatt nr i: Y ij µ i + ε ij,
DetaljerTMA4240 Statistikk 2014
TMA4240 Statistikk 2014 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 12, blokk II Oppgave 1 På ein av vegane inn til Trondheim er UP interessert i å måle effekten
DetaljerKort overblikk over kurset sålangt
Kort overblikk over kurset sålangt Kapittel 1: Deskriptiv statististikk for en variabel Kapittel 2: Deskriptiv statistikk for samvariasjon mellom to variable (regresjon) Kapittel 3: Metoder for å innhente
DetaljerTMA4240 Statistikk Eksamen desember 2015
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag TMA4240 Statistikk Eksamen desember 15 Oppgave 1 La den kontinuerlege stokastiske variabelen X ha fordelingsfunksjon (sannsynstettleik
DetaljerEKSAMEN I FAG TMA4255 FORSØKSPLANLEGGING OG ANVENDTE STATISTISKE METODER
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 8 Faglig kontakt under eksamen: Bo Lindqvist Tlf. 975 89 418 EKSAMEN I FAG TMA4255 FORSØKSPLANLEGGING OG ANVENDTE
DetaljerOm eksamen. Never, never, never give up!
Plan vidare Onsdag Gjere ferdig kap 11 + repetisjon Fredag Rekning av eksamensoppgåver Eksamen Mai 2014, oppgåve 2 (inkl normal fordeling, lin.reg. og deskriptiv statistikk) Eksamen August 2012, oppgåve
DetaljerEksamensoppgave i ST1201/ST6201 Statistiske metoder
Institutt for matematiske fag Eksamensoppgave i ST1201/ST6201 Statistiske metoder Faglig kontakt under eksamen: Nikolai Ushakov Tlf: 45128897 Eksamensdato: 20. desember 2016 Eksamenstid (fra til): 09:00
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK1110 Løsningsforslag: Statistiske metoder og dataanalys Eksamensdag: Fredag 9. desember 2011 Tid for eksamen: 14.30 18.30
DetaljerLøsningsforslag. n X. n X 1 i=1 (X i X) 2 og SY 2 = 1 ny S 2 X + S2 Y
Statistiske metoder 1 høsten 004. Løsningsforslag Oppgave 1: a) Begge normalplottene gir punkter som ligger omtrent på ei rett linje så antagelsen om normalfordeling ser ut til å holde. Konfidensintervall
DetaljerOm eksamen. Never, never, never give up!
I dag I dag Rekning av eksamensoppgåver Eksamen Mai 2014, oppgåve 2 (inkl normal fordeling, lin.reg. og deskriptiv statistikk) Eksamen August 2012, oppgåve 3 a og b (inkl SME) Om eksamen (Truleg) 10 punkt.
DetaljerFasit og løsningsforslag STK 1110
Fasit og løsningsforslag STK 1110 Uke 36: Eercise 8.4: a) (57.1, 59.5), b) (57.7, 58, 9), c) (57.5, 59.1), d) (57.9, 58.7) og e) n 239. (Hint: l(n) = 1 = 2z 1 α/2 σ/n 1/2 ). Eercise 8.10: a) (2.7, 7.5),
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
DetaljerLØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4240 STATISTIKK Mandag 12. desember 2011
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 10 LØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4240 STATISTIKK Mandag 12. desember 2011 Oppgave 1 Oljeleting a) Siden P(A
DetaljerLøsningsforslag til andre sett med obligatoriske oppgaver i STK1110 høsten 2010
Løsningsforslag til andre sett med obligatoriske oppgaver i STK1110 høsten 2010 Oppgave 1 a Forventet antall dødsulykker i år i er E(X i λ i. Dermed er θ i λ i E(X i forventet antall dødsulykker per 100
DetaljerOppgave 1. . Vi baserer oss på at p 47 1 og p 2 er tilnærmet normalfordelte (brukbar tilnærming). Vi har tilnærmet at (n 1 = n 2 = 47)
MOT310 tatistiske metoder 1 Løsningsforslag til eksamen vår 006, s. 1 Oppgave 1 a) En tilfeldig utvalgt besvarelse får F av sensor 1 med sannsynlighet p 1 ; resultatene for ulike besvarelser er uavhengige.
DetaljerTMA4245 Statistikk Eksamen desember 2016
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag TMA4245 Statistikk Eksamen desember 2016 Oppgave 1 Ei bedrift produserer elektriske komponentar. Komponentane kan ha to typar
DetaljerEKSAMENSOPPGAVER STAT100 Vår 2011
EKSAMENSOPPGAVER STAT100 Vår 2011 Løsningsforslag Oppgave 1 (Med referanse til Tabell 1) a) De 3 fiskene på 2 år hadde lengder på henholdsvis 48, 46 og 35 cm. Finn de manglende tallene i Tabell 1. Test
DetaljerInferens i regresjon
Strategi som er fulgt hittil: Inferens i regresjon Deskriptiv analyse og dataanalyse først. Analyse av en variabel før studie av samvariasjon. Emne for dette kapittel er inferens når det er en respons
DetaljerEKSAMEN I FAG TMA4255 FORSØKSPLANLEGGING OG ANVENDTE STATISTISKE METODER
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 7 Faglig kontakt under eksamen: Bo Lindqvist Tlf. 975 89 418 BOKMÅL EKSAMEN I FAG TMA4255 FORSØKSPLANLEGGING OG ANVENDTE
DetaljerLøsningsforslag eksamen 25. november 2003
MOT310 Statistiske metoder 1 Løsningsforslag eksamen 25. november 2003 Oppgave 1 a) Vi har µ D = µ X µ Y. Sangere bruker generelt trapesius-muskelen mindre etter biofeedback dersom forventet bruk av trapesius
DetaljerTilleggsoppgaver for STK1110 Høst 2015
Tilleggsoppgaver for STK0 Høst 205 Geir Storvik 22. november 205 Tilleggsoppgave Anta X,..., X n N(µ, σ) der σ er kjent. Vi ønsker å teste H 0 : µ = µ 0 mot H a : µ µ 0 (a) Formuler hypotesene som H 0
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
Detaljerj=1 (Y ij Ȳ ) 2 kan skrives som SST = i=1 (J i 1) frihetsgrader.
FORMELSAMLING TIL STK2120 (Versjon av 30. mai 2012) 1 Enveis variansanalyse Anta at Y ij = µ + α i + ɛ ij ; j = 1, 2,..., J i ; i = 1, 2,..., I ; der ɛ ij -ene er uavhengige og N(0, σ 2 )-fordelte. Da
DetaljerTMA4245 Statistikk Eksamen august 2014
TMA4245 Statistikk Eksamen august 2014 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Oppgave 1 En bedrift produserer en type medisin i pulverform Medisinen selges på flasker
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK2120 Statistiske metoder og dataanalyse 2. Eksamensdag: Fredag 7. juni 2013. Tid for eksamen: 14.30 18.30. Oppgavesettet er
DetaljerUNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK1120 Statistiske metoder og dataanalyse 2 Eksamensdag: Mandag 4. juni 2007. Tid for eksamen: 14.30 17.30. Oppgavesettet er
DetaljerLøsningsforslag: STK2120-v15.
Løsningsforslag: STK2120-v15 Oppgave 1 a) Den statistiske modellen er: X ij = µ i + ϵ ij, j = 1,, J, i = 1,, I Her indekserer i = 1,, I gruppene og j = 1,, J observasjone innen hver gruppe Feilleddene
DetaljerEksamensoppgave i TMA4255 Anvendt statistikk
Institutt for matematiske fag Eksamensoppgave i TMA4255 Anvendt statistikk Faglig kontakt under eksamen: Anna Marie Holand Tlf: 951 38 038 Eksamensdato: 30. mai 2014 Eksamenstid (fra til): 09:00-13:00
DetaljerHØGSKOLEN I STAVANGER
EKSAMEN I: MOT0 STATISTISKE METODER VARIGHET: TIMER DATO:. NOVEMBER 00 TILLATTE HJELPEMIDLER: KALKULATOR, TABELLER OG FORMLER I STATISTIKK (TAPIR FORLAG) OPPGAVESETTET BESTÅR AV OPPGAVER PÅ 7 SIDER HØGSKOLEN
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK1110 Statistiske metoder og dataanalyse 1 Eksamensdag: Mandag 30. november 2015. Tid for eksamen: 14.30 18.00. Oppgavesettet
DetaljerEksamensoppgave i TMA4240 Statistikk
Institutt for matematiske fag Eksamensoppgave i TMA4240 Statistikk Faglig kontakt under eksamen: Sara Martino a, Torstein Fjeldstad b Tlf: a 994 03 330, b 962 09 710 Eksamensdato: 28. november 2018 Eksamenstid
DetaljerEksamensoppgave i TMA4267 Lineære statistiske modeller
Institutt for matematiske fag Eksamensoppgave i TMA4267 Lineære statistiske modeller Faglig kontakt under eksamen: Tlf: Eksamensdato: August 2014 Eksamenstid (fra til): Hjelpemiddelkode/Tillatte hjelpemidler:
DetaljerOppgave 1. Kilde SS df M S F Legering Feil Total
MOT30 Statistiske metoder, høste0 Løsninger til regneøving nr. 0 (s. ) Oppgave Y ij = µ i + ε ij, der ε ij uavh. N(0, σ ) der µ i er forventa kopperinnhold for legering i og ε ij er feilleddet (tilfeldig
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Kap. 13: Lineær korrelasjons- og regresjonsanalyse Kap. 13.1-13.3: Lineær korrelasjonsanalyse. Disse avsnitt er ikke pensum,
Detaljeri=1 x i = og 9 x 1 x 2 x 3 x 4 x 5 x 6 x 7 x 8 x
TMA4245 Statistikk Vår 2017 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Innlevering 4 Dette er den andre av to innleveringer i blokk 2, og den siste innleveringen i øvingsopplegget.
DetaljerEKSAMEN I TMA4255 ANVENDT STATISTIKK
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 7 Faglig kontakt under eksamen: Mette Langaas (988 47 649) BOKMÅL EKSAMEN I TMA4255 ANVENDT STATISTIKK Fredag 25.
DetaljerEKSAMEN I TMA4245 STATISTIKK Tysdag 21. mai 2013 Tid: 09:00 13:00 (Korrigert )
Noregs teknisk naturvitskaplege universitet Institutt for matematiske fag Side 1 av 5 Nynorsk Fagleg kontakt under eksamen: Håkon Tjelmeland 73593538/48221896 Ola Diserud 93218823 EKSAMEN I TMA4245 STATISTIKK
DetaljerTMA4240 Statistikk Høst 2018
TMA4240 Statistikk Høst 2018 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Innlevering 5 Dette er andre av tre innleveringer i blokk 2. Denne øvingen skal oppsummere pensum
Detaljern n i=1 x2 i n x2 n i=1 Y i og x = 1 n i=1 (x i x)y i = 5942 og n T = i=1 (x i x) 2 t n 2
TMA4245 Statistikk Vår 2016 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Anbefalte oppgaver 12, blokk II Denne øvingen består av oppgaver om enkel lineær regresjon. De handler
DetaljerTMA4245 Statistikk. Innlevering 3. Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag
TMA4245 Statistikk Vår 2017 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Innlevering 3 Dette er den første av to innleveringer i blokk 2 Denne øvingen skal oppsummere pensum
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
DetaljerLØSNINGSFORSLAG ) = Dvs
LØSNINGSFORSLAG 12 OPPGAVE 1 D j er differansen mellom måling j med metode A og metode B. D j N(µ D, 0.1 2 ). H 0 : µ D = 0 mot alternativet H 1 : µ D > 0. Vi forkaster om ˆµ D > k Under H 0 er ˆµ D =
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
DetaljerOppgave N(0, 1) under H 0. S t n 3
MOT310 Statistiske metoder 1, høsten 2011 Løsninger til regneøving nr 9 (s 1) Oppgave 1 Modell: Y i β 0 + β 1 x i + β 2 x 2 i + ε i der ε 1,, ε n uif N(0, σ 2 ) e) Y Xβ + ε der Y Y 1 Y n, X 1 x 1 x 2 1
DetaljerEKSAMEN I FAG TMA4240/TMA4245 STATISTIKK Lørdag 10. august 2013
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 5 Fagleg kontakt under eksamen: John Tyssedal 41 64 53 76 EKSAMEN I FAG TMA4240/TMA4245 STATISTIKK Lørdag 10. august
DetaljerEksamensoppgave i TMA4267 Lineære statistiske modeller
Institutt for matematiske fag Eksamensoppgave i TMA4267 Lineære statistiske modeller Faglig kontakt under eksamen: Mette Langaas Tlf: 988 47 649 Eksamensdato: 4. juni 2016 Eksamenstid (fra til): 09.00
DetaljerI enkel lineær regresjon beskrev linja. μ y = β 0 + β 1 x
Multiple regresjon Her utvider vi perspektivet for enkel lineær regresjon til også å omfatte flere forklaringsvariable.det er fortsatt en responsvariabel. Måten dette gjøre på er nokså naturlig. Prediktoren
DetaljerSTK Oppsummering
STK1110 - Oppsummering Geir Storvik 11. November 2015 STK1110 To hovedtemaer Introduksjon til inferensmetoder Punktestimering Konfidensintervall Hypotesetesting Inferens innen spesifikke modeller/problemer
DetaljerOppgave 1. T = 9 Hypotesetest for å teste om kolesterolnivået har endret seg etter dietten: T observert = 2.16 0
Løsningsforslag til eksamen i MOT310 STATISTISKE METODER 1 VARIGHET: 4 TIMER DATO: 08. mai 2008 TILLATTE HJELPEMIDLER: Kalkulator: HP30S, Casio FX82 eller TI-30 Tabeller og formler i statistikk (Tapir
DetaljerEksamensoppgåve i ST0103 Brukarkurs i statistikk
Institutt for matematiske fag Eksamensoppgåve i ST0103 Brukarkurs i statistikk Fagleg kontakt under eksamen: Nikolai Ushakov Tlf: 45128897 Eksamensdato: August 2018 Eksamenstid (frå til): 09:00 13:00 Hjelpemiddelkode/Tillatne
Detaljerår i 1 2 3 4 5 6 7 8 9 alder x i 37 38 39 40 41 42 43 44 45 tid y i 45.54 41.38 42.50 38.80 41.26 37.20 38.19 38.05 37.45 i=1 (x i x) 2 = 60, 9
TMA424 Statistikk Vår 214 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 11, blokk II Oppgave 1 Matlabkoden linearreg.m, tilgjengelig fra emnets hjemmeside, utfører
DetaljerLøsningsforslag eksamen 27. februar 2004
MOT30 Statistiske metoder Løsningsforslag eksamen 7 februar 004 Oppgave a) Y ij = µ i + ε ij, der ε ij uavh N(0, σ ) der µ i er forventa kopperinnhold for legering i og ε ij er feilleddet (tilfeldig variasjon)
DetaljerUNIVERSITETET I OSLO
Eksamen i: UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet STK1000 Innføring i anvendt statistikk Eksamensdag: Mandag 3. desember 2018. Tid for eksamen: 14.30 18.30. Oppgavesettet er på
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,
DetaljerStatistikk og dataanalyse
Njål Foldnes, Steffen Grønneberg og Gudmund Horn Hermansen Statistikk og dataanalyse En moderne innføring Kapitteloversikt del 1 INTRODUKSJON TIL STATISTIKK Kapittel 1 Populasjon og utvalg 19 Kapittel
DetaljerEksamensoppgave i ST0103 Brukerkurs i statistikk
Institutt for matematiske fag Eksamensoppgave i ST0103 Brukerkurs i statistikk Faglig kontakt under eksamen: Jarle Tufto Tlf: 99 70 55 19 Eksamensdato: 3. desember 2016 Eksamenstid (fra til): 09:00-13:00
DetaljerMOT310 Statistiske metoder 1, høsten 2006 Løsninger til regneøving nr. 8 (s. 1) Oppgaver fra boka:
MOT30 Statistiske metoder, høsten 2006 Løsninger til regneøving nr. 8 (s. ) Oppgaver fra boka: Oppgave.5 (.3:5) ) Først om tolking av datautskriften. Sammendrag gir følgende informasjon: Multippel R =R,
DetaljerTMA4240 Statistikk Høst 2016
TMA4240 Statistikk Høst 2016 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Anbefalt øving 11 Oppgavene i denne øvingen dreier seg om hypotesetesting og sentrale begreper
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
DetaljerEKSAMEN I FAG TMA4240/TMA4245 STATISTIKK
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 5 Faglig kontakt under eksamen: John Tyssedal 41 64 53 76 EKSAMEN I FAG TMA4240/TMA4245 STATISTIKK Lørdag 10. august
DetaljerHØGSKOLEN I STAVANGER
HØGSKOLEN I STAVANGER Avdeling for TEKNISK NATURVITEN- EKSAMEN I: TE199 SANNSYNLIGHETSREGNING MED STATISTIKK SKAPELIGE FAG VARIGHET: 4 TIMER DATO: 5. JUNI 2003 TILLATTE HJELPEMIDLER: KALKULATOR OPPGAVESETTET
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK1100 Statistiske metoder og dataanalyse 1 - Løsningsforslag Eksamensdag: Mandag 30. november 2015. Tid for eksamen: 14.30
DetaljerEksamensoppgave i ST1201/ST6201 Statistiske metoder
Institutt for matematiske fag Eksamensoppgave i ST1201/ST6201 Statistiske metoder Faglig kontakt under eksamen: Nikolai Ushakov Tlf: 45128897 Eksamensdato: 04. desember 2015 Eksamenstid (fra til): 09:00
DetaljerEksamensoppgåve i TMA4240 Statistikk
Institutt for matematiske fag Eksamensoppgåve i TMA4240 Statistikk Fagleg kontakt under eksamen: Mette Langaas a, Ingelin Steinsland b, Geir-Arne Fuglstad c Tlf: a 988 47 649, b 926 63 096, c 452 70 806
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,
Detaljer(a) For regresjon brukes vanligvis kvadratisk tap: L(y, ŷ) = (y ŷ) 2. Den optimale prediktor basert på input variable x er da Ŷ = E[Y x].
FORMELSAMLING TIL STK2100 (Versjon Mai 2017) 1 Tapsfunksjoner (a) For regresjon brukes vanligvis kvadratisk tap: L(y, ŷ) = (y ŷ) 2. Den optimale prediktor basert på input variable x er da Ŷ = E[Y x]. (b)
DetaljerLøsningsforslag STK1110-h11: Andre obligatoriske oppgave.
Løsningsforslag STK1110-h11: Andre obligatoriske oppgave. Oppgave 1 a) Legg merke til at X er gamma-fordelt med formparameter 1 og skalaparameter λ. Da er E[X] = 1/λ. Små verdier av X tyder derfor på at
DetaljerEksamensoppgave i TMA4240 Statistikk
Institutt for matematiske fag Eksamensoppgave i TMA4240 Statistikk Faglig kontakt under eksamen: Håkon Tjelmeland a, Sara Martino b Tlf: a 48 22 18 96, b 99 40 33 30 Eksamensdato: 30. november 2017 Eksamenstid
DetaljerEksamensoppgave i TMA4255 Anvendt statistikk
Institutt for matematiske fag Eksamensoppgave i TMA4255 Anvendt statistikk Faglig kontakt under eksamen: Anna Marie Holand Tlf: 951 38 038 Eksamensdato: 3. juni 2016 Eksamenstid (fra til): 09:00-13:00
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: STK1110 Statistiske metoder og dataanalyse 1. Eksamensdag: Mandag 1. desember 2014. Tid for eksamen: 14.30 18.30. Oppgavesettet
Detaljerα =P(type I feil) = P(forkast H 0 H 0 er sann) =1 P(220 < X < 260 p = 0.6)
TMA4245 Statistikk Vår 212 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving 4 blokk II Løsningsskisse Oppgave 1 4 personer spurt. Hvis mellom 22 og 26 personer svarer
Detaljerfor x 0 F X (x) = 0 ellers Figur 1: Parallellsystem med to komponenter Figur 2: Seriesystem med n komponenter
TMA4245 Statistikk Vår 2016 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Innlevering 3, blokk II Dette er den første av to innleveringer i blokk 2. Denne øvingen skal oppsummere
DetaljerEKSAMEN I FAG TMA4315 GENERALISERTE LINEÆRE MODELLER Torsdag 14. desember 2006 Tid: 09:0013:00
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 5 Faglig kontakt under eksamen: Bo Lindqvist, tlf. 975 89 418 EKSAMEN I FAG TMA4315 GENERALISERTE LINEÆRE MODELLER
Detaljeri x i
TMA4245 Statistikk Vår 2016 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Anbefalte oppgaver 11, blokk II Oppgavene i denne øvingen dreier seg om hypotesetesting og sentrale
DetaljerTMA4245 Statistikk Eksamen august 2014
TMA4245 Statistikk Eksamen august 2014 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Oppgave 1 Ei bedrift produserer ein type medisin i pulverform Medisinen seljast på flasker
DetaljerMOT310 Statistiske metoder 1, høsten 2006 Løsninger til regneøving nr. 7 (s. 1) Oppgaver fra boka: n + (x 0 x) 2 σ2
MOT310 Statistiske metoder 1, høsten 2006 Løsninger til regneøving nr. 7 (s. 1) Oppgaver fra boka: Oppgave 11.27 (11.6:13) Modell: Y i = α + βx i + ε i der ε 1,..., ε n u.i.f. N(0, σ 2 ). Skal finne konfidensintervall
DetaljerEksamensoppgave i TMA4245 Statistikk
Institutt for matematiske fag Eksamensoppgave i TMA4245 Statistikk Faglig kontakt under eksamen: Gunnar Taraldsen a, Torstein Fjeldstad b Tlf: a 464 32 506, b 962 09 710 Eksamensdato: 23. mai 2018 Eksamenstid
DetaljerTMA4240 Statistikk Høst 2012
TMA424 Statistikk Høst 212 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving blokk II Oppgave 1 Oppgave 11.3 fra læreboka. Oppgave 2 Oppgave 11.19 fra læreboka. Oppgave
DetaljerMerk at vi for enkelthets skyld antar at alle som befinner seg i Roma sentrum enten er italienere eller utenlandske turister.
ECON230: EKSAMEN 20 VÅR - UTSATT PRØVE 2 TALLSVAR. Oppgave Da Anne var på besøk i Roma, fikk hun raskt problemer med språket. Anne snakker engelsk, men ikke italiensk, og kun av 5 italienere behersker
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: Analysere en observator for å finne ut noe om korresponderende
DetaljerLøsningsforslag Eksamen i Statistikk SIF5060 Aug 2002
Løsningsforslag Eksamen i Statistikk SIF5060 Aug 2002 Oppgave 1 a) En god estimator er forventningsrett og har liten varians. Vi tester forventningsretthet: E[ˆµ] E[Y ] µ E[ µ] E[ 1 2 X + 1 2 Y ] 1 2 E[X]
DetaljerST0202 Statistikk for samfunnsvitere Kapittel 13: Lineær regresjon og korrelasjon
ST0202 Statistikk for samfunnsvitere Kapittel 13: Lineær regresjon og korrelasjon Bo Lindqvist Institutt for matematiske fag http://wiki.math.ntnu.no/st0202/2012h/start 2 Kap. 13: Lineær korrelasjons-
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
DetaljerPrøveeksamen STK2100 (fasit) - vår 2018
Prøveeksamen STK2100 (fasit) - vår 2018 Geir Storvik Vår 2018 Oppgave 1 (a) Vi har at E = Y Ŷ =Xβ + ε X(XT X) 1 X T (Xβ + ε) =[I X(X T X) 1 X T ]ε Dette gir direkte at E[E] = 0. Vi får at kovariansmatrisen
Detaljer