Forelesning 6 STK3100
|
|
- Peder Ask
- 6 år siden
- Visninger:
Transkript
1 Forelesning STK3 september 7 S O Samuelsen Plan for forelesning: Mer om evians GLM resiualer 3 Test for H : Offset Observert forventet informasjon Optimeringsrutiner Iterative revektee minste kvarater (IRwLS Devians Eks: N : Den mettee moellen har! Derme finner vi at likelihoo ratio mellom mettet moell en vilkårlig moell blir! foreslår en generalisering av kvaratsum til GLM Vi efinerer generelt Deviansen ve Forelesning STK3 p/39 altså er llikelihoo for en mettee moellen Forelesning STK3 p3/3 En Mettet (saturate moell er en moell som har en parameter per observasjon Spesielt er alle anre moeller nøstet i en mettee moellen Eks: Biller Den mettee moellen har ulike sannsynligheter giftose tilpassee sannsynligheter blir For GLM får vi en perfekt tilpasning til ata forventninger for hver slik at preikerte Den mettee moellen får så maksimal oppnåelig likelihoo over alle tenkelige moeller Forelesning STK3 p/39 Devians Merk: Minimering av likelihooen Eksempler på Devianser: Poisson: Binomisk Et par anre begreper: er ekvivalent me maksimering av! : *+ +! ( ( *+ + / Nullevians = Devians me Moell: eller vs kun konstantle i moellen 3 Resiual evians = Devians i aktuell moell vs eviansen innsatt MLE Forelesning STK3 p/3
2 LRT Devians Resiual evians i lineærnormal moell Apriori MLE gir Devians Me blir resiualeviansen 8 Un nullhypotesen er 8 som gir evians Likelihoo ratio testen gis nå ve at un H Da fås MLE Men når! 8 8 8! 8 er forventningsrett for er essuten 8 uten tilnærmelse Vi gjør altså LRT ve å beregne evianser for moellene som sammenlignes! Un noen forutsetninger som hol ette resultatet tilnærmet Forelesning STK3 p/39 Dette kan benyttes til gooness of fittesting Forelesning STK3 p7/3 Eksempel: Biller Apriori moell: lit Nullhypotese: Nullevians: Resiual evians: LRT: vs soleklar forkastning sml Eks: Biller Me (litlineær moell ble Hvis ette er en go moell bure a ikke være en ekstrem veri i forhol til Vi finner altså en inikasjon på at et er mulig å forbere moellen Apriori moell: lit Nullhypotese: Devians un H : Resiual evians: LRT: signifikant avvik pveri P vs Vi finner a så at kvaratleet i en utviee moellen er signifikant Kvaratlesmoellen får resiualevians 39 me er et ikke lenger antyning til moellavvik Forelesning STK3 p/39 Forelesning STK3 p8/3
3 Kravene Beregner 8 8 kan sjekkes: > glmfitbiller<glm(cbin(doeantdoe Dosefamily=binomial > roun(ant*glmfitbillerfit > roun(ant*(glmfitbillerfit > glmfitbiller<glm(cbin(doeantdoe Dose+I(Doseˆfamily=binomial > roun(ant*glmfitbillerfit > roun(ant*(glmfitbillerfit Noen preikerte verier er litt små i forhol til kravet goonessoffit testene på forrige sie er antagelig noe konservative Forelesning STK3 p9/39 Pearson Pearson for billeataene er ikke implementert i R men lett å beregne: > yhat<ant*glmfitbillerfit > varhat<ant*glmfitbillerfit*(glmfitbillerfit > X<sum((Doeyhatˆ/varhat > X [] 8 > pchisq(x [] 37 > yhat<ant*glmfitbillerfit > varhat<ant*glmfitbillerfit*(glmfitbillerfit > X<sum((Doeyhatˆ/varhat > X [] 3387 > pchisq(x [] Altså nokså lik her Forelesning STK3 p/3 Pearson Kjikvarat Utrykket 8! kan så generaliseres ve Pearson Kjikvarat: 8! Var Som resiualevians vil være tilnærmet un forutsetning av at ene er tilnærmet normalforelte Binomisk Poisson!! Pearsonresiualer efineres ve 8 Var er altså en irekte generalisering av vanlige resiualer hvor et tas hensyn til at varians typisk avhenger av forventningen i GLM 8 Merk at Pearson 8! > roun(resiuals(glmfitbillertype=pearson > sum(resiuals(glmfitbillertype=pearsonˆ [] 8 Forelesning STK3 p/39 Forelesning STK3 p/3
4 Deviansresiualer Vi kan så efinere resiualer basert på biragene til eviansen Sammenligning av resiualene me (litlineær moell:! 8 er llikelihoobirag i mettet moell ve MLE Spesifikt efineres Deviansresiualer ve 8 sign 8 slik at vi oppnår 8 8! 8 8 hvis hvis 8 8 resiualer p p p p Deviansresiualer Pearsonresiualer Dose Forelesning STK3 p3/39 Forelesning STK3 p/3 Deviansresiualer for binomiske ata sign Sammenligning av resiualene me moell: lit ser ikke umielbart ut som resiualer men gir verier ofte ikke avviker mye fra Pearsonresiualer > roun(resiuals(glmfitbillertype=eviance > sum(resiuals(glmfitbillertype=evianceˆ [] 33 resiualer p De er essuten efault i R: p roun(resiuals(glmfitbiller Ser ingen kurvatur i plottet nå! Dose Forelesning STK3 p/39 Forelesning STK3 p/3
5 Test for H Waltest Me : 7 MLE for N stanarfeil for tilnærmet : 8 Eks Biller: H un litlineær moell Waltest: Vi hae 8 me Vi får LikelihooRatiotest: Apriori MLE Un nullhypotesen fås MLE 8 Likelihoo ratio testen gis a ve at tilnærmet 8 (kjikvaratforelt me frihetsgra 8 8 Forelesning STK3 p7/39 (tosiig pveri blir LRtest: Finn Finner Differansen evians apriori evians når som skal være trukket fra en tilnærmet nullhypotesen gir pveri un Forelesning STK3 p9/3 LRtest for H i R 7 For å utføre enne LRtesten i R benyttes et som kalles offset Un nullhypotesen er lineær preiktor LRBiller: H i R > glmfitbiller<glm(cbin(doeantdoe Dosefamily=binomial > glmfitbiller<glm(cbin(doeantdoe offset(*dose family=binomial > anova(glmfitbillerglmfitbillertest=chisq Analysis of Deviance Table prrammet! er kjente størrelser Disse må spesifiseres i 7 I R gjøres ette ve å legge inn offset(betap*xp i moellformelen feks > glm(y x+x+x3+offset(beta*xfamily=poisson estimeres un en forutset Da vil parametrene ning at Forelesning STK3 p8/39 Moel : cbin(doe Ant Doe offset( * Dose Moel : cbin(doe Ant Doe Dose Resi Df Resi Dev Df Deviance P(> Chi > glmfitbiller Coefficients: (Intercept 79 Degrees of Freeom: 7 Total (ie Null; 7 Resiual Null Deviance: 7 Resiual Deviance: 7 AIC: 9 Forelesning STK3 p/3
6 ! Scorefunksjon estimeringsligninger for GLM Komponent i scorefunksjonen uttrykkes me!! sien E Merk at E ve å løse ligningene 8 Vi finner altså MLE ! 8 er estimert forventning me 8 Forelesning STK3 p3/3 Estimeringsligninger GLM me spreningsle Sålangt har vi antatt observasjoner fra eksponensiell klasse uten spreningsle Utleningen moifiseres lett til forelinger me tetthet sien * ( * i scorefunksjonen Altså blir komponent! inngår proporsjonalt ikke betyr noe for estimeringen Forelesning STK3 p/3 Likelihoo for GLM blir likelihooen ene er uavhengige me tetthet Sien! sien Merk at ette er en funksjon av regresjonskoeffisientene er en funksjon av som igjen er en funksjon av blir Me llikelihoobirag llikelihoo!! Forelesning STK3 p/39 Scorebirag for GLM Scorebirag utlees ve utstrakt bruk av kjerneregelen regelen om ivert av invers funksjon Altså blir Forelesning STK3 p/39
7 * * * * * * * Kanonisk link Matematisk sett forenkles en GLM ve å anta vs kanonisk (naturlig parameter = lineær preiktor Isåfall kalles linkfunksjonen for kanonisk Vi får a at scorefunksjonen gis ve! sien Forelesning STK3 p7/3 Kanonisk link: Observert info = Forventet info! Observert informasjon!! ikke avhenger av noe stokastisk sien Vi finner essuten at! sien Forelesning STK3 p8/3 Observert informasjonsmatrise (generell link!!!!! Forelesning STK3 p/39 Forventet informasjonsmatrise (generell link Sien E blir me forventet informasjon E!! som vi så finner ve! Cov Var! sien Forelesning STK3 p/39!
8 * * samt at iag Forelesning STK3 p3/3 NewtonRaphson FisherScoring La være en generell likelihoo me scorefunksjon observert informasjon forventet informasjon oppateres anslag til nytt anslag ve Da NewtonRaphson: Fisherscoring: Iterasjonen fortsetter til (feks Motivasjon: Newton s algoritme g g g ny Forelesning STK3 p3/3 : Eksempel: Listisk regresjon binære Var E blir + + / lit Så me!! Dessuten Forelesning STK3 p9/39 Score Informasjon på matriseform Vi kan uttrykke score forventet informasjon esignmatrisen iag langs iagonalen vs iagonalmatrisen me leene Forelesning STK3 p3/39
9 Fisherscoring for GLM Fisherscoring billeata forts Nytt anslag for : Iterer til llikelihoo enres lite p</(+exp(x*betaol er evaluert i Oppgave: Anta N me Vis at at Fisherscoringalgoritmen konverger i iterasjon til minste kvaraters estimator uavhengig av startveri 8! while(lliknewllikol>epsilon{ iterasjon<iterasjon+ llikol<lliknew mu<matrix(antall*pncol= W<iag(antall*p*(p U<t(X*(Ymu J<t(X*W*X betanew<betaol+solve(j*u betaol<betanew p</(+exp(x*betaol lliknew<sum(y*l(p/(p+sum(antall*l(p print(paste(iterasjon nriterasjon Llik=lliknew print(cbin(betanewsqrt(iag(solve(j } Forelesning STK3 p33/39 Forelesning STK3 p3/3 Fisherscoring billeata Definerer esignmatrise matrise av responser X<cbin(rep(8Dose Y<matrix(Doencol= Initier betaol llikelihoo p<sum(doe/sum(ant betaol<matrix(c(l(p/(pncol= llikol<sum(y*l(p/(p+sum(antall*l(p epsilon< lliknew<llikol+*epsilon iterasjon< print(paste(iterasjon nriterasjon Llik=llikol Fisherscoring billeata Iterasjon > source(fisherbiller [] Iterasjon nr Llik= 3737 [] Iterasjon nr Llik= [] [] Dose [] Iterasjon nr Llik= 8783 [] [] 7 37 Dose [] Iterasjon nr 3 Llik= [] [] Dose [] Iterasjon nr Llik= 837 [] [] 73 3 Dose Forelesning STK3 p3/39 Forelesning STK3 p3/3
10 Fisherscoring billeata Iterasjon forts [] Iterasjon nr Llik= [] [] 77 8 Dose GLM Fisherscoring = IRLSalgoritmen = Iteratively Reweighte LeastSquares Algoritmen Me glm i R (til sammenligning Value St Error t value (Intercept Dose altså som vektet minste kvaraters estimator me responser vekter som begge må oppateres i hver iterasjon Forelesning STK3 p37/39 Forelesning STK3 p39/3 Vektet minste kvaraters metoe N me! kjente vekter Da blir llikelihoo minste kvaraters estimatoren blir! vektet 8 søylevektor av responsene esignmatrisen iag Forelesning STK3 p38/39
Forelesning STK september 2011
Forelesning STK3100 12. setember 2011 Geir Storvik (S. O. Samuelsen) Plan for forelesning: 1. Mer om evians 2. Devians og Gooness-of-fit tester 3. GLM og resiualer En Mettet (saturate) moell er en moell
DetaljerForelesning 5 STK3100
Devians Forelesning 5 STK3100 22. setember 2008 S. O. Samuelsen Plan for forelesning: 1. Mer om evians 2. Devians og Gooness-of-fit tester 3. GLM og resiualer 4. Observert og forventet informasjon 5. Otimeringsrutiner
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
DetaljerForelesning 6 STK3100
Scorefunksjon og estimeringsligninger for GLM Forelesning 6 STK3100 29. september 2008 S. O. Samuelsen Plan for forelesning: 1. Observert og forventet informasjon 2. Optimeringsrutiner 3. Iterative revektede
DetaljerGeneraliserte Lineære Modeller
Eksponensiell klasse Generaliserte Lineære Modeller Y i f(y i ;θ i ) = c(y i ;φ) exp((θ i y i a(θ i ))/φ) µ i = E[Y i ] = a (θ i ) σ 2 i = Var[Y i ] = φa (θ i ) = φv (µ i ) STK3100-4. september 2011 Geir
DetaljerForelesning 8 STK3100
$ $ $ # Fortolkning av Dermed blir -ene Vi får variasjonen i '& '& $ Dermed har fortolkning som andel av variasjonen forklart av regresjonen Alternativt: pga identiteten Forelesning 8 STK3100 p3/3 Multippel
DetaljerGeneraliserte Lineære Modeller
Lineær regresjon er en GLM Generaliserte Lineære Modeller Responser (Y i -er) fra normalfordelinger Lineær komponent η i = β 0 + β 1 x i1 + + β p x ip E[Y i ] = µ i = η i, dvs. linkfunksjonen g(µ i ) =
DetaljerForelesning 7 STK3100
( % - -! " stimering: MK = ML Forelesning 7 STK3100 1 oktober 2007 S O Samuelsen Plan for forelesning: 1 Generelt om lineære modeller 2 Variansanalyse - Kategoriske kovariater 3 Koding av kategoriske kovariater
DetaljerIntroduksjon til Generaliserte Lineære Modeller (GLM)
Literatur / program Introduksjon til Generaliserte Lineære Modeller (GLM) STK3100-20. august 2007 Sven Ove Samuelsen Plan for første forelesning: 1. Introduksjon, Literatur, Program 2. ksempler 3. Uformell
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet. Eksamen i STK3100 Innføring i generaliserte lineære modeller Eksamensdag: Mandag 6. desember 2010 Tid for eksamen: 14.30 18.30 Oppgavesettet
DetaljerPrøveeksamen i STK3100/4100 høsten 2011.
Prøveeksamen i STK3100/4100 høsten 2011. Oppgave 1 (a) Angi tetthet/punktsannsynlighet for eksponensielle klasser med og uten sprednings(dispersjons)ledd. Nevn alle fordelingsklassene du kjenner som kan
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
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
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
DetaljerForelesning 9 STK3100
Poissonfordelingen: Forelesning 9 STK3100 20. oktober 2007 S. O. Samuelsen Plan for forelesning: 1. Poissonregresjon 2. Overspredning 3. Quasi-likelihood 4. Andre GLM-er Poissonfordelingen kan oppstå ved
DetaljerForelesning 5 STK3100/4100
Forelesning 5 STK3100/4100 p. 1/4 Forelesning 5 STK3100/4100 27. september 2012 Presentasjon laget av S. O. Samuelsen (modifisert av Geir H12) Plan for forelesning: 1. Poissonfordeling 2. Overspredning
DetaljerForelesning 7 STK3100/4100
Forelesning 7 STK3100/4100 p. 1/2 Forelesning 7 STK3100/4100 8. november 2012 Geir Storvik Plan for forelesning: 1. Kontinuerlige positive responser 2. Gamma regresjon 3. Invers Gaussisk regresjon Forelesning
DetaljerEksamen i: STA-1002 Statistikk og sannsynlighet 2 Dato: Fredag 31. mai 2013 Tid: Kl 09:00 13:00 Sted: Administrasjonsbygget
FA K U L T E T FO R NA T U R V I T E N S K A P O G TE K N O L O G I EKSAMENSOPPGAVE Eksamen i: STA-1002 Statistikk og sannsynlighet 2 Dato: Fredag 31. mai 2013 Tid: Kl 09:00 13:00 Sted: Administrasjonsbygget
DetaljerEKSAMEN I EMNE TMA4315 GENERALISERTE LINEÆRE MODELLER
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 5 Bokmål Faglig kontakt under eksamen: Håkon Tjelmeland 73 59 35 38 EKSAMEN I EMNE TMA4315 GENERALISERTE LINEÆRE MODELLER
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
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:
DetaljerEksponensielle klasser
Eksponensielle klasser, de Jong & Heller, Kap. 3 Eksponensielle klasser STK3100-1. september 2008 Sven Ove Samuelsen En stokastisk variabel Y sies å ha fordeling i den eksponensielle fordelingsklasse dersom
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
DetaljerIntroduksjon til Generaliserte Lineære Modeller (GLM)
Introduksjon til Generaliserte Lineære Modeller (GLM) p. 1/25 Introduksjon til Generaliserte Lineære Modeller (GLM) STK3100-23. august 2010 Sven Ove Samuelsen/Anders Rygh Swensen Plan for første forelesning:
DetaljerForelesning 10 STK3100
Momenter i multinomisk fordeling Forelesning 0 STK300 3. november 2008 S. O. Samuelsen Plan for forelesning:. Multinomisk fordeling 2. Multinomisk regresjon - ikke-ordnede kategorier 3. Multinomisk regresjon
DetaljerIntroduksjon til Generaliserte Lineære Modeller (GLM) og blandede modeller
Introduksjon til Generaliserte Lineære Modeller (GLM) og blandede modeller p. 1/34 Introduksjon til Generaliserte Lineære Modeller (GLM) og blandede modeller STK3100/4100-23. august 2011 Geir Storvik (Oppdatert
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
DetaljerForelesning 6 STK3100/4100
Forelesning 6 STK3100/4100 p. 1/4 Forelesning 6 STK3100/4100 4. oktober 2012 Presentasjon av S. O. Samuelsen (modifisert av Geir H12) Plan for forelesning: 1. GLM Binære data 2. Link-funksjoner 3. Parameterfortolkning
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 2018) 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)
DetaljerEKSAMEN I TMA4315 GENERALISERTE LINEÆRE MODELLER
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 6 Kontakt under eksamen: Ingelin Steinsland (92 66 30 96) EKSAMEN I TMA4315 GENERALISERTE LINEÆRE MODELLER Tirsdag
DetaljerForelesning 7 STK3100/4100
Gamma regresjon Forelesning 7 STK3100/4100 26. september 2008 Geir Storvik Plan for forelesning: 1. Kontinuerlige positive responser 2. Gamma regresjon 3. Invers Gaussisk regresjon Modell: Har y Gamma(µ,ν),
DetaljerForelesning 13. STK november Med glattingsteknikker. leter vi ikke etter en parametrisk for for E
" & " + Med glattingsteknikker Forelesning 13 STK3100 19 november 2007 S O Samuelsen 1 Glatting 2 Generaliserte additive modeller GAM)) 3 Mispesifiserte modeller 4 Generaliserte estimeringsligninger GEE)
DetaljerTMA4100 Matematikk 1 Høst 2014
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag TMA4100 Matematikk 1 Høst 2014 2.8.2 Vi merker oss først at funksjonen f er båe kontinuerlig og eriverbar på intervallet [1,2],
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
DetaljerForelesning 6 STK3100/4100
Binomiske eller binære responser Forelesning 6 STK3100/4100 26. september 2008 Geir Storvik (S. O. Samuelsen) Plan for forelesning: 1. GLM Binære data 2. Link-funksjoner 3. Parameterfortolkning logistisk
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
DetaljerDeterminanter. Kapittel 6. Determinanter for 2 2-matriser. La oss beregne arealet av dette parallellogrammet. Vi tegner på noen hjelpelinjer:
Kapittel 6 Determinanter En matrise inneholer mange tall og erme mye informasjon så mye at et kan være litt overvelene Vi kan konensere ne all informasjonen i en kvaratisk matrise til ett enkelt tall som
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)
DetaljerEKSAMEN I TMA4315 GENERALISERTE LINEÆRE MODELLER
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av?? Bokmål Kontakt under eksamen: Thiago G. Martins 46 93 74 29 EKSAMEN I TMA4315 GENERALISERTE LINEÆRE MODELLER Torsdag
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
DetaljerForelesning 11 STK3100/4100
Forelesning STK300/400 Plan for forelesning: 3. oktober 20 Geir Storvik. Generaliserte lineære blandede modeller Eksempler R-kode - generell formulering av modell Tillater innbygging av avhengigheter mellom
DetaljerEKSAMEN I TMA4255 ANVENDT STATISTIKK
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 5 Faglig kontakt under eksamen: Mette Langaas (988 47 649) BOKMÅL EKSAMEN I TMA4255 ANVENDT STATISTIKK Onsdag 8. august
DetaljerEKSAMEN I TMA4315 GENERALISERTE LINEÆRE MODELLAR
Noregs teknisk naturvitskaplege universitet Institutt for matematiske fag Side 1 av 5 Nynorsk Kontakt under eksamen: Thiago G. Martins 46 93 74 29 EKSAMEN I TMA4315 GENERALISERTE LINEÆRE MODELLAR Torsdag
DetaljerKapittel 3: Studieopplegg
Oversikt over pensum Kapittel 1: Empirisk fordeling for en variabel o Begrepet fordeling o Mål for senter (gj.snitt, median) + persentiler/kvartiler o Mål for spredning (Standardavvik s, IQR) o Outliere
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
DetaljerLøsningsforslag eksamen STAT100 Høst 2010
Løsningsforslag eksamen STAT100 Høst 2010 Oppgave 1 a) To-utvalg, parvise data. La Y være tilfeldig variabel som angir antall drepte i periode 1 og tilsvarende X for periode 2. Vi antar parvise avhengigheter
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
DetaljerMultippel regresjon. Her utvider vi perspektivet for enkel lineær regresjon til også å omfatte flere forklaringsvariable x 1, x 2,, x p.
Multippel regresjon Her utvider vi perspektivet for enkel lineær regresjon til også å omfatte flere forklaringsvariable x 1, x 2,, x p. Det er fortsatt en responsvariabel y. Måten dette gjøre på er nokså
DetaljerTillatte hjelpemidler: C3: alle typer kalkulator, alle andre hjelpemidler
EKSAMENSOPPGAVER Institutt: Eksamen i: Tid: IKBM STAT100 Torsdag 13.des 2012 STATISTIKK 09.00-12.30 (3.5 timer) Emneansvarlig: Solve Sæbø ( 90065281) Tillatte hjelpemidler: C3: alle typer kalkulator, alle
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
DetaljerEKSAMENSOPPGAVE STA «Tabeller og formler i statistikk» av Kvaløy og Tjelmeland. To A4-ark/ 4 sider med egne notater. Godkjent kalkulator. Rute.
Fakultet for naturvitenskap og teknologi EKSAMENSOPPGAVE Eksamen i: STA-1001. Dato: Tirsdag 26. september 2017. Klokkeslett: 09 13. Sted: Åsgårdvegen 9. Tillatte hjelpemidler: «Tabeller og formler i statistikk»
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
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
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
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
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
DetaljerForelesning 3 STK3100
Eks. Fødselsvekt mot svangerskapslengde og kjønn Forelesning 3 STK3100 8. september 2008 S. O. Samuelsen Plan for forelesning: 1. Generelt om lineære modeller 2. Variansanalyse - Kategoriske kovariater
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
DetaljerTid: Torsdag 11.desember 9:00 12:30 (3.5 timer) Emneansvarlig: Solve Sæbø, Tlf
EKSAMENSOPPGAVE Institutt: IKBM Eksamen i: STAT 100 STATISTIKK Tid: Torsdag 11.desember 9:00 12:30 (3.5 timer) Emneansvarlig: Solve Sæbø, Tlf 67232561 Tillatte hjelpemidler: C3: alle typer kalkulatorer,
DetaljerST0202 Statistikk for samfunnsvitere Kapittel 9: Inferens om én populasjon
ST0202 Statistikk for samfunnsvitere Kapittel 9: Inferens om én populasjon Bo Lindqvist Institutt for matematiske fag 2 Kap. 9: Inferens om én populasjon Statistisk inferens har som mål å tolke/analysere
DetaljerForelesning 7 STK3100
Parameterfortolkning logistisk regresjon Forelesning 7 STK3100 6. oktober 2008 S. O. Samuelsen Plan for forelesning: 1. Parameterfortolkning logistisk regresjon 2. Parameterfortolkning andre linkfunksjoner
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,
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
DetaljerEKSAMENSOPPGAVE STA «Tabeller og formler i statistikk» av Kvaløy og Tjelmeland. To A4-ark/ 4 sider med egne notater. Godkjent kalkulator. Rute.
Fakultet for naturvitenskap og teknologi EKSAMENSOPPGAVE Eksamen i: STA-2004. Dato: Mandag 24. september 2018. Klokkeslett: 09-13. Sted: Administrasjonsbygget K1.04 Tillatte hjelpemidler: «Tabeller og
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
DetaljerRidge regresjon og lasso notat til STK2120
Ridge regresjon og lasso notat til STK2120 Ørulf Borgan februar 2016 I dette notatet vil vi se litt nærmere på noen alternativer til minste kvadraters metode ved lineær regresjon. Metodene er særlig aktuelle
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-
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
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
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK2100 - FASIT Eksamensdag: Torsdag 15. juni 2017. Tid for eksamen: 09.00 13.00. Oppgavesettet er på 5 sider. Vedlegg: Tillatte
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
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
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
DetaljerKraftelektronikk (Elkraft 2 høst), Løsningsforslag til øvingssett 3, høst 2005
Kraftelektronikk (Elkraft høst), Løsningsforslag til øvingssett 3, høst 005 Ole-Morten Mitgår HiA 005 Oppgave Dioelikeretter: a) Dioene er snu, strømmen går i motsatt retning. (Husk at strømmen kan bare
DetaljerForelesning 8 STK3100/4100
Forelesning STK300/400 Plan for forelesning: 0. oktober 0 Geir Storvik. Lineære blandede modeller. Eksempler - data og modeller 3. lme 4. Indusert korrelasjonsstruktur. Marginale modeller. Estimering -
Detaljeri=1 t i +80t 0 i=1 t i = 9816.
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 5 Faglig kontakt under eksamen: Jo Eidsvik 901 27 472 EKSAMEN I FAG SIF5075 LEVETIDSANALYSE Torsdag 22. mai 2003 Tid:
DetaljerFakultet for informasjonsteknologi, Institutt for matematiske fag EKSAMEN I EMNE ST2202 ANVENDT STATISTIKK
Side av 9 NTNU Noregs teknisk-naturvitskaplege universitet Fakultet for informasonsteknologi, matematikk og elektroteknikk Institutt for matematiske fag Bokmål Faglig kontakt under eksamen Bo Lindqvist
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:
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
Eksamen i: UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet STK1110 FASIT. Eksamensdag: Tirsdag 11. desember 2012. Tid for eksamen: 14.30 18.30. Oppgavesettet er på 5 sider. Vedlegg: Tillatte
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
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
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
DetaljerForelesning 11 STK3100/4100
Forelesning 11 STK3100/4100 Plan for forelesning: 1. november 2012 Geir Storvik 1. Generaliserte lineære blandede modeller Eksempler R-kode GLMM - generell formulering av modell Likelihood og estimering
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,
DetaljerTMA4240 Statistikk H2010 (20)
TMA4240 Statistikk H2010 (20) 10.5: Ett normalfordelt utvalg, kjent varians (repetisjon) 10.4: P-verdi 10.6: Konfidensintervall vs. hypotesetest 10.7: Ett normalfordelt utvalg, ukjent varians Mette Langaas
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
DetaljerInferens i fordelinger
Inferens i fordelinger Modifiserer antagelsen om at standardavviket i populasjonen σ er kjent Mer kompleks systematisk del ( her forventningen i populasjonen). Skal se på en situasjon der populasjonsfordelingen
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
DetaljerTillatte hjelpemidler: C3: alle typer kalkulator, alle andre hjelpemidler
EKSAMENSOPPGAVER Institutt: Eksamen i: Tid: Emneansvarlig: IKBM STAT100 Tirsdag 28.mai 2013 Solve Sæbø STATISTIKK 09.00-12.30 (3.5 timer) Tillatte hjelpemidler: C3: alle typer kalkulator, alle andre hjelpemidler
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
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
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Kap. 10: Inferens om to populasjoner Situasjon: Det er to populasjoner som vi ønsker å sammenligne. Vi trekker da et utvalg
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,
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
DetaljerKategoriske data, del I: Kategoriske data - del 2 (Rosner, ) Kategoriske data, del II: 2x2 tabell, parede data (Mc Nemar s test)
Kategoriske data, del I: Kategoriske data - del (Rosner, 10.3-10.7) 1 januar 009 Stian Lydersen To behandlinger og to utfall. (generelt: variable, verdier). x tabell. Uavhengige observasjoner Sammenheng
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
DetaljerTMA4240 Statistikk Høst 2015
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 0, blokk II Løsningsskisse Oppgave Surhetsgrad i ferskvann Eksamen august 00, oppgave av 3 a) En god estimator
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
Detaljer