FORMELSAMLING TIL STK1100 OG STK1110
|
|
- Inger-Lise Agnes Ingvaldsen
- 5 år siden
- Visninger:
Transkript
1 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 P er en funksjon fra delmengder av utfallsrommet Ω til de reelle tall som tilfredsstiller b) P (A ) = 1 P (A) c) P ( ) = 0 P (Ω) = 1 P (A) 0 P (A 1 A 2 ) = P (A 1 ) + P (A 2 ) hvis A 1 A 2 = ( ) P A i = P (A i ) hvis A i A j = for i j d) A B P (A) P (B) e) Addisjonsetningen: f) Betinget sannsynlighet: P (A B) = P (A) + P (B) P (A B) P (A B) = P (A B) P (B) hvis P (B) > 0 g) Total sannsynlighet: P (A) = P (A B i )P (B i ) hvis n B i = Ω og B i B j = for i j h) Bayes setning: P (B j A) = P (A B j)p (B j ) n P (A B i)p (B i ) under samme betingelser som i g) i) A og B er uavhengige begivenheter hvis P (A B) = P (A)P (B) 1
2 j) A 1,..., A n er uavhengige begivenheter dersom P (A i1 A im ) = P (A i1 )P (A i2 ) P (A im ) for alle delmengder av indekser i 1, i 2,..., i m k) Produktsetningen: P (A 1 A n ) = P (A 1 )P (A 2 A 1 )P (A 3 A 1 A 2 ) P (A n A 1 A 2 A n 1 ) 2. Kombinatorikk a) To operasjoner som kan gjøres på henholdsvis n og m måter kan kombineres på n m måter. b) Antall ordnete utvalg med tilbakelegging av r elementer fra en mengde med n elementer er n r c) Antall ordnete utvalg uten tilbakelegging av r elementer fra en mengde med n elementer er n(n 1) (n r + 1) d) Antall måter n elementer kan ordnes i rekkefølge på (permuteres) er n! = (n 1) n e) Antall ikke-ordete utvalg av r elementer fra en mengde med n elementer er ( ) n n(n 1) (n r + 1) n! = = r r! r! (n r)! f) Antall måter en mengde med n elementer kan deles inn i r delmengder med n i elementer i den i-te delmengden er ( ) n n! = n 1 n 2 n r n 1! n 2! n r! 2
3 3. Sannsynlighetsfordelinger a) For en stokastisk variabel X (diskret eller kontinuerlig) er den kumulative fordelingsfunksjonen F (x) = P (X x) b) For en diskret stokastisk variabel X som kan anta verdiene x 1, x 2, x 3,... har vi p(x j ) = P (X = x j ) F (x) = x j x p(x j ) Betingelsene for at p(x j ) skal være en punktsannsynlighet er p(x j ) 0 for alle j p(x j ) = 1 c) For en kontinuerlig stokastisk variabel X har vi j P (a < X < b) = F (x) = x f(x) = F (x) b a f(u)du f(x)dx Betingelsene for at f(x) skal være en sannsynlighetstetthet er f(x) 0 f(x)dx = 1 d) For to stokastiske variabler X og Y (diskrete eller kontinuerlige) er den simultane kumulative fordelingsfunksjonen F (x, y) = P (X x, Y y) e) For diskrete stokastiske variabler X og Y som kan anta henholdsvis verdiene x 1, x 2,... og y 1, y 2,... har vi p(x i, y j ) = P (X = x i, Y = y j ) F (x, y) = p(x i, y j ) x i x y j y Betingelsene for at p(x i, y j ) skal være en simultan punktsannsynlighet er analoge til betingelsene i b) 3
4 f) For kontinuerlige stokastiske variabler X og Y har vi P ( (X, Y ) A ) = f(u, v)dvdu F (x, y) = x y f(x, y) = 2 F (x, y) x y A f(u, v)dvdu Betingelsene for at f(x, y) skal være en simultan sannsynlighetstetthet er analoge til betingelsene i c) g) Marginale punktsannsynligheter: p X (x i ) = j p Y (y j ) = i p(x i, y j ) (for X) p(x i, y j ) (for Y ) h) Marginale sannsynlighetstettheter: f X (x) = f(x, y)dy (for X) f Y (y) = f(x, y)dx (for Y ) i) Uavhengighet: De stokastiske variablene X og Y er uavhengige dersom p(x i, y j ) = p X (x i )p Y (y j ) f(x, y) = f X (x)f Y (y) (diskret) (kontinuerlig) j) Betingete punktsannsynligheter: p X Y (x i y j ) = p(x i, y j ) p Y (y j ) p Y X (y j x i ) = p(x i, y j ) p X (x i ) (for X gitt Y = y j ) (for Y gitt X = x i ) Det forutsettes at p Y (y j ) > 0 og p X (x i ) > 0, henholdsvis. De betingete punktsannsynlighetene kan behandles som vanlige punktsannsynligheter. 4
5 k) Betingete sannsynlighetstettheter: f X Y (x y) = f Y X (y x) = f(x, y) f Y (y) f(x, y) f X (x) (for X gitt Y = y) (for Y gitt X = x) Det forutsettes at f Y (y) > 0 og f X (x) > 0, henholdsvis. De betingete sannsynlighetstetthetene kan behandles som vanlige sannsynlighetstettheter. 4. Forventning a) Forventningsverdien til en stokastisk variabel X er definert ved E(X) = j x j p(x j ) (diskret) E(X) = xf(x)dx (kontinuerlig) b) For en reell funksjon g(x) av en stokastisk variabel X er E[g(X)] = j g(x j )p(x j ) (diskret) E[g(X)] = g(x)f(x)dx (kontinuerlig) c) E(a + bx) = a + be(x) d) For en reell funksjon g(x, Y ) av to stokastiske variabler X og Y er E [ g(x, Y ) ] = g(x i, y j )p(x i, y j ) (diskret) i j E [ g(x, Y ) ] = g(x, y)f(x, y)dydx (kontinuerlig) e) Hvis X og Y er uavhengige er E [ g(x)h(y ) ] = E [ g(x) ] E [ h(y ) ] f) Hvis X og Y er uavhengige er E(XY ) = E(X) E(Y ) ( ) g) E a + n b i X i = a + n b i E(X i ) 5
6 h) Betinget forventning: E(Y X = x i ) = j y j p Y X (y j x i ) (diskret) E(Y X = x) = yf Y X (y x)dy (kontinuerlig) 5. Varians og standardavvik a) Variansen og standardavviket til en stokastisk variabel X er definert ved V(X) = E[(X µ) 2 ] sd(x) = V(X) b) V(X) = E(X 2 ) ( E(X) ) 2 c) V(a + bx) = b 2 V(X) d) Hvis X 1,..., X n er uavhengige har vi ( ) V a + b i X i = b 2 i V(X i ) e) V ( a + ) b i X i = b 2 i V(X i ) + b i b j Cov(X i, X j ) j i f) Chebyshev s ulikhet: La X være en stokastisk variabel med µ = E(X) og σ 2 = V(X). For alle t > 0 har vi P ( X µ > t) σ2 t 2 6. Kovarians og korrelasjon a) La X og Y være stokastiske variabler med µ X = E(X), σx 2 = V(X), µ Y = E(Y ) og σy 2 = V(Y ). Da er kovariansen og korrelasjonen til X og Y definert ved Cov(X, Y ) = E [ (X µ X )(Y µ Y ) ] ρ = Corr(X, Y ) = Cov(X, Y ) σ X σ Y 6
7 b) Cov(X, X) = V(X) c) Cov(X, Y ) = E(XY ) E(X)E(Y ) d) X, Y uavhengige Cov(X, Y ) = 0 e) Cov ( a + ) m b i X i, c + d j Y j = j=1 m b i d j Cov(X i, Y j ) j=1 f) 1 Corr(X, Y ) 1 og Corr(X, Y ) = ±1 hvis og bare hvis det finnes to tall a, b slik at Y = a + bx (bortsett, eventuelt, på et område med sannsynlighet 0) 7. Momentgenererende funksjoner a) For en stokastisk variabel X (diskret eller kontinuerlig) er den momentgenererende funksjonen M X (t) = E(e tx ) b) Hvis den momentgenererende funksjonen M X (t) eksisterer for t i et åpent intervall som inneholder null, så bestemmer den entydig fordelingen til X c) Hvis den momentgenererende funksjonen M X (t) eksisterer for t i et åpent intervall som inneholder null, så eksisterer alle momenter til X, og vi kan finne det r-te momentet ved E(X r ) = M (r) X (0) d) M a+bx (t) = e at M X (bt) e) Hvis X og Y er uavhengige er M X+Y (t) = M X (t)m Y (t) 8. Noen diskrete sannsynlighetsfordelinger a) Binomisk fordeling: Punktsannsynlighet: P (X = k) = ( n k) p k (1 p) n k k = 0, 1,..., n Momentgenererende funksjon : M X (t) = (1 p + pe t ) n Forventning: E(X) = np Varians : V(X) = np(1 p) Tilnærmelse 1: Z = X np np(1 p) er tilnærmet standard normalfordelt når np og n(1 p) begge er tilstrekkelig store (minst 10) Tilnærmelse 2: X er tilnærmet Poisson fordelt med parameter λ = np når n er stor og p er liten 7
8 Addisjonsregel: X binomisk (n, p), Y binomisk (m, p) og X, Y uavhengige X + Y binomisk (n + m, p) b) Geometrisk fordeling: Punktsannsynlighet: P (X = k) = (1 p) k 1 p k = 1, 2,... Momentgenererende funksjon : M X (t) = e t p/[1 (1 p)e t ] Forventning: E(X) = 1/p Varians: V(x) = (1 p)/p 2 Addisjonsregel: Hvis X er geometrisk fordelt med sannsynlighet p så er X 1 negativt binomisk (1, p). Derfor hvis X og Y er geometrisk fordelte med samme p og uavhengige så er X + Y 2 negativt binomisk (2, p) c) Negativ binomisk fordeling: Punktsannsynlighet: P (X = k) = ( k+r 1 r 1 Momentgenererende funksjon : Forventning: E(X) = r(1 p)/p Varians: V(X) = r(1 p)/p 2 ) p r (1 p) k k = 0, 1, 2,... M X (t) = {p/[1 (1 p)e t ]} r Addisjonsregel: X negativ binomisk (r 1, p), Y negativt binomisk (r 2, p) og X, Y uavhengige X + Y negativt binomisk (r 1 + r 2, p) d) Hypergeometrisk fordeling: Punktsannsynlighet: Forventning: Varians: P (X = k) = (M k )( N M n k ) ( N n) E(X) = n M N V(X) = n M (1 M ) N n N N N 1 Tilnærmelse: X er tilnærmet binomisk (n, M ) når n er mye mindre enn N N e) Poisson fordelingen: Punktsannsynlighet: P (X = k) = λk k! e λ k = 0, 1,... Momentgenererende funksjon : M X (t) = e λ(et 1) Forventning: E(X) = λ 8
9 Varians: V(X) = λ Tilnærmelse: Z = X λ λ er tilnærmet standard normalfordelt når λ er tilstrekkelig stor (minst 10) Addisjonsregel: X Poisson (λ 1 ), Y Poisson (λ 2 ) e) Multinomisk fordeling: og X, Y uavhengige X + Y Poisson (λ 1 + λ 2 ) Punktsannsynlighet: P (N 1 = n 1,..., N r = n r ) = n! n 1! n pn 1 r! 1 p nr r Her er r p i = 1 og r n i = n Marginalfordeling: N i binomisk (n, p i ) 9. Noen kontinuerlige sannsynlighetsfordelinger a) Normalfordelingen: Tetthet: f(x) = 1 2πσ e (x µ)2 /2σ 2 < x < Momentgenererende funksjon : M X (t) = e µt e σ2 t 2 /2 Forventning: E(X) = µ Varians: V(X) = σ 2 Transformasjon: X N(µ, σ 2 ) a + bx N(a + bµ, b 2 σ 2 ) X N(µ, σ 2 ) Z = X µ N(0, 1) σ Addisjonsregel: X N(µ X, σx 2 ), Y N(µ Y, σy 2 ), X, Y uavhengige X + Y N(µ X + µ Y, σx 2 + σ2 Y ) b) Eksponentialfordelingen: Tetthet: f(x) = λe λx x > 0 Momentgenererende funksjon : Forventning: E(X) = 1/λ Varians: V(X) = 1/λ 2 M X (t) = λ/(λ t) for t < λ Addisjonsregel: X exp(λ), Y exp(λ), X og Y uavhengige X + Y gamma(2, 1/λ) c) Gammafordelingen: Tetthet: f(x) = 1 β α Γ(α) xα 1 e x/β x > 0 9
10 Gammafunksjonen: Momentgenererende funksjon : Forventning: E(X) = αβ Varians: V(X) = αβ 2 Γ(α) = 0 u α 1 e u du Γ(α + 1) = αγ(α) Γ(n) = (n 1)! når n er et helt tall Γ(1/2) = π, Γ(1) = 1 M X (t) = [1/(1 βt)] α Addisjonsregel: X gamma(α, β), Y gamma(δ, β), X og Y uavhengige X + Y gamma(α + δ, β) d) Kji-kvadratfordelingen: Tetthet: f(v) = 1 2 n/2 Γ(n/2) v(n/2) 1 e v/2 v > 0 n er antall frihetsgrader Forventning: Varians: E(V ) = n V(V ) = 2n Addisjonsregel: U χ 2 n, V χ 2 m, U og V uavhengige U + V χ 2 n+m Resultat: Z N(0, 1) Z 2 χ 2 1 e) Students t-fordeling: Tetthet: f(t) = Γ[(n+1)/2] nπγ(n/2) (1 + t2 n ) (n+1)/2 n er antall frihetsgrader Forventning: E(T ) = 0 (n 2) Varians: V(T ) = n/(n 2) (n 3) < t < Resultat: Z N(0, 1), U χ 2 n, Z, U uavhengige Z/ U/n t n f) Binormal fordeling: Tetthet: f(x, y) = { 1 exp 1 2πσ X σ Y 1 ρ 2 2(1 ρ 2 ) [ (x µx ) 2 σ 2 X + (y µ Y ) 2 σ 2 Y 2ρ (x µ X)(y µ Y )] } σ X σ Y Marginalfordeling: X N(µ X, σ 2 X ), Y N(µ Y, σ 2 Y ) Korrelasjon: Betinget fordeling: Corr(X, Y ) = ρ Gitt X = x er Y normalfordelt med forventning E(Y X = x) = µ Y + ρ σ Y σ X (x µ X ) og varians V(Y X = x) = σy 2 (1 ρ2 ) 10
11 10. Maksimum likelihood metoden Anta at X 1, X 2,..., X n har simultan punktsannsynlighet/sannsynlighetstetthet f(x 1, x 2,..., x n θ), der θ = (θ 1,...., θ p ) er en parametervektor (skalar hvis p = 1). Vi antar at f(x 1, x 2,..., x n θ) tilfredsstiller visse deriverbarhetsbetingelser. a) Gitt observerte verdier X i = x i ; i = 1,..., n; er likelihood-funksjonen L(θ) = f(x 1, x 2,..., x n θ) og loglikelihood-funksjonen l(θ) = log L(θ). b) Maksimum likelihood estimatet er den verdien av θ som maksimerer L(θ) eller ekvivalent maksimerer l(θ). Hvis vi erstatter de observerte x i -ene med de stokastiske X i -ene, får vi maksimum likelihood estimatoren. c) Maksimum likelihood estimatet ˆθ = (ˆθ 1,...., ˆθ p ) er en løsning av ligningene s j (θ) = 0; j = 1,..., p; der s j (θ) = ( / θ j )l(θ) er score-funksjonene. Vektoren av scorefunksjoner er s(θ) = (s 1 (θ),..., s p (θ)) T. d) Den observerte informasjonsmatrisen J(θ) er p p matrisen med element (i, j) gitt ved J ij (θ) = 2 θ i θ j l(θ). Den forventede informasjonsmatrisen (eller Fishers informasjonsmatrise) I(θ) er p p matrisen med element (i, j) gitt ved I ij (θ) = E[J ij (θ)]. For uavhengige og identisk fordelte observasjoner har vi at I(θ) = ni(θ) der I(θ) er forventet informasjon til en observasjon. e) Når vi har tilstrekkelig mye data, er ˆθ i tilnærmet normalfordelt med forventning θ i og med varians lik det i-te diagonalelementet til I 1 (θ). Kovariansen mellom ˆθ i og ˆθ j er tilnærmet lik element (i, j) i I 1 (θ). Vi kan estimere varianser/kovarianser ved å sette inn ˆθ for θ i I 1 (θ) eller i J 1 (θ). f) Anta at vi ønsker å teste H 0 : θ q+1 = = θ p = 0 mot alternativet at minst en av θ j 0, j = q+1,..., p. La ˆθ = (ˆθ 1,...., ˆθ p ) være MLE i den generelle modellen og θ = (θ 1,...., θ q, 0,..., 0) MLE under nullhypotesen og dessuten ν = p q. Da er likelihood ratioen gitt som LR = L(θ )/L(ˆθ). Når nullhypotesen holder og vi har tilstrekkelig mye data gjelder tilnærmet at 2 log(lr) = 2[l(ˆθ) l(θ )] χ 2 ν. 11. Ett normalfordelt utvalg Hvis X 1, X 2,..., X n er uavhengige og N(µ, σ 2 )-fordelte så har vi at: a) X = 1 X n i og S 2 = 1 (X n 1 i X) 2 er uavhengige b) X N(µ, σ 2 /n) c) (n 1)S 2 /σ 2 χ 2 n 1 d) X µ S/ n t n 1 11
12 12. To normalfordelte utvalg La X 1, X 2,..., X n være uavhengige og N(µ X, σ 2 )-fordelte, og Y 1, Y 2,..., Y m uavhengige og N(µ Y, σ 2 )-fordelte. De to utvalgene er uavhengige av hverandre. La X, Y, SX 2 og være definert i henhold til 11a). Da har vi at: S 2 Y a) Sp 2 = [(n 1)SX 2 + (m 1)S2 Y ]/(m + n 2) er en vektet estimator for σ2 b) X Y N ( µ X µ Y, σ 2 ( 1 n + 1 m )) c) (n + m 2)S 2 p/σ 2 χ 2 m+n 2 d) X Y (µ X µ Y ) S p 1 n + 1 m t m+n Regresjonsanalyse Anta at Y i = β 0 + β 1 x i + ɛ i ; i = 1, 2,..., n ; hvor x i -ene er kjente tall og ɛ i -ene er uavhengige og N(0, σ 2 )-fordelte. Da har vi at: a) Minste kvadraters estimatorer for β 0 og β 1 er ˆβ 0 = Y ˆβ 1 x og ˆβ1 = n (x i x)(y i Y ) n (x i x) 2 b) Estimatorene i a) er normalfordelte og forventningsrette, og Var( ˆβ 0 ) = σ2 n x2 i n n (x i x) 2 og Var( ˆβ 1 ) = σ 2 n (x i x) 2 c) La SSE= n (Y i ˆβ 0 ˆβ 1 x i ) 2. Da er S 2 = SSE/(n 2) en forventningsrett estimator for σ 2, og (n 2)S 2 /σ 2 χ 2 n Multippel lineær regresjon Anta at Y i = β 0 + β 1 x i1 + + β k x ik + ɛ i ; i = 1, 2,..., n ; der x ij -ene er kjente tall og ɛ i -ene er uavhengige og N(0, σ 2 )-fordelte. På matriseform kan vi skrive modellen som Y = Xβ, der Y = (Y 1,..., Y n ) T og β = (β 0,..., β k ) T er henholdsvis n- og (k + 1)- dimensjonale vektorer, og X = {x ij } (med x i0 = 1) er en n (k + 1)-dimensjonal matrise. Vi har at: a) Minste kvadraters estimator for β er ˆβ = (X T X) 1 X T Y. b) La ˆβ = ( ˆβ 0,..., ˆβ k ) T. Da er ˆβ j -ene normalfordelte og forventningsrette, og Var( ˆβ j ) = σ 2 c jj og Cov( ˆβ j, ˆβ l ) = σ 2 c jl der c jl er element (j, l) i (k + 1) (k + 1) matrisen C = (X T X) 1. 12
13 c) La Ŷi = ˆβ 0 + ˆβ 1 x i1 + + ˆβ k x ik, og sett SSE = n (Y i Ŷi) 2. Da er S 2 = SSE/[n (k + 1)] en forventningsrett estimator for σ 2, og [n (k + 1)]S 2 /σ 2 χ 2 n (k+1). Videre er S 2 og ˆβ uavhengige. e) La S 2ˆβj være den variansestimatoren for ˆβ j vi får ved å erstatte σ 2 med S 2 i formelen for Var( ˆβ j ) i punkt b). Da er ( ˆβ j β j )/S ˆβj t n (k+1). 13
FORMELSAMLING TIL STK1100 OG STK1110
FORMELSAMLING TIL STK1100 OG STK1110 (Versjon av 16. november 2009) 1. Sannsynlighet La A, B, A 1, A 2,...,B 1, B 2,... være begivenheter, dvs. delmengder av et utfallsrom Ω. a) Aksiomene: Et sannsynlighetsmål
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
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)
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)
DetaljerKapittel 2: Hendelser
Kapittel 2: Hendelser FENOMEN Eksperiment Utfall Utfallsrom Eksperiment. Utfall. Eksperiment Utfall Hendelse Sannsynlighet: egenskaper, gunstige vs. mulige, relativ frekvens Sannsynlighet for mer enn en
DetaljerForelesning 13. mars, 2017
Forelesning 13. mars, 217 AVSNITT 5.2 Kovariansen mellom to variable Korrelasjon mellom to variable AVSNITT 5.3 Betingede fordelinger Kovariansen mellom to stokastiske variable Kovariansen mellom to stokastiske
DetaljerHøgskolen i Telemark. Institutt for økonomi og informatikk FORMELSAMLING Statistikk I. Til bruk ved eksamen. Per Chr. Hagen
Høgskolen i Telemark Institutt for økonomi og informatikk FORMELSAMLING 6005 Statistikk I Til bruk ved eksamen Per Chr. Hagen . Sannsynlighetsregning. Regneregler Komplementsetningen: Addisjonssetningen:
DetaljerTo-dimensjonale kontinuerlige fordelinger
To-dimensjonale kontinuerlige fordelinger Noen resultater for diskrete fordelinger Vi har tidligere definert punktsannsynligheten p(x, y) for en todimensjonal variabel (X, Y ) som p(x, y) = P ({X = x}
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
DetaljerSTK Oppsummering
STK1100 - Oppsummering Geir Storvik 6. Mai 2014 STK1100 Tre temaer Deskriptiv/beskrivende statistikk Sannsynlighetsteori Statistisk inferens Sannsynlighetsregning Hva Matematisk verktøy for å studere tilfeldigheter
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
DetaljerTMA4240 Statistikk Høst 2008
TMA4240 Statistikk Høst 2008 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 7 Oppgave 1 Tippekonkurranse Denne oppgaven er ment som en kjapp test på hva du har
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
DetaljerOppfriskning av blokk 1 i TMA4240
Oppfriskning av blokk 1 i TMA4240 Geir-Arne Fuglstad November 21, 2016 2 Hva har vi gjort i dette kurset? Vi har studert to sterkt relaterte grener av matematikk Sannsynlighetsteori: matematisk teori for
DetaljerDEL 1 GRUNNLEGGENDE STATISTIKK
INNHOLD 1 INNLEDNING 15 1.1 Parallelle verdener........................... 18 1.2 Telle gunstige.............................. 20 1.3 Regneverktøy og webstøtte....................... 22 1.4 Oppgaver................................
Detaljer3.4: Simultanfordelinger (siste rest) 4.1,4.2,4.3: Multivariat del (ferdig med kapittel 3 og 4 etter denne forelesningen)
TMA4240 Statistikk H200 3.4: Simultanfordelinger (siste rest) 4.,4.2,4.3: Multivariat del (ferdig med kapittel 3 og 4 etter denne forelesningen) Mette Langaas Foreleses mandag 3. september 200 2 f (x,
DetaljerEkstraoppgaver for STK2120
Ekstraoppgaver for STK2120 Geir Storvik Vår 2011 Ekstraoppgave 1 Anta X 1 og X 2 er uavhengige med X 1 N(1.0, 1.0) og X 2 N(2.0, 1.5). La X = (X 1, X 2 ) T. Definer c = ( ) 2.0 3.0, A = ( ) 1.0 0.5 0.0
DetaljerObservatorer. STK Observatorer - Kap 6. Utgangspunkt. Eksempel høyde Oxford studenter
Observatorer STK00 - Observatorer - Kap 6 Geir Storvik 4. april 206 Så langt: Sannsynlighetsteori Stokastiske modeller Nå: Data Knytte data til stokastiske modeller Utgangspunkt Eksempel høyde Oxford studenter
DetaljerTyngdepunkt. Togforsinkelsen (Eksamen Des2003.1a) I denne oppgaven kan du bruke uten å vise det at. Kapittel 4
3 Tyngdepunkt Kapittel 4 Forventningsverdi, varians, kovarians for én stokastisk variabel og funksjoner av stokastiske variabler TMA4240 H2006: Eirik Mo 2 4.1 Forventing til en stokastisk variabel DEF
DetaljerKap. 6, Kontinuerlege Sannsynsfordelingar
Kapittel 6, Kontinuerlege Sannsynsfordelingar Sjå på eit utval av ofte brukte kontinuerlege sannsynsfordelingar Uniform I går Normal I går Eksponensial I dag Gamma I dag Kji-kvadrat I dag Nokre eigenskapar
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
DetaljerRegneøvelse 22/5, 2017
Regneøvelse 22/5, 217 Arne Bang Huseby Eksamen STK11 212: oppgave 1 og 2 Eksamen STK11 28: oppgave 1) og 2 Eksamen 212, oppgave 1 Ved en bestemt butikk i en større dagligvarekjede viser langvarige data
DetaljerBernoulli forsøksrekke og binomisk fordeling
Bernoulli forsøksrekke og binomisk fordeling Bernoulli forsøksrekke i) gjentar et forsøk n ganger ii) hvert forsøk gir enten suksess eller fiasko iii) sannsynligheten for suksess er p i alle forsøkene
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
DetaljerKap. 6, Kontinuerlege Sannsynsfordelingar
Kapittel 6, Kontinuerlege Sannsynsfordelingar Sjå på eit utval av ofte brukte kontinuerlege sannsynsfordelingar Uniform Onsdag Normal Onsdag Eksponensial I dag Gamma I dag Kji-kvadrat I dag Student-T (Kap
DetaljerFormelsamling i medisinsk statistikk
Formelsamling i medisinsk statistikk Versjon av 6. mai 208 Dette er en formelsamling til O. O. Aalen (red.): Statistiske metoder i medisin og helsefag, Gyldendal, 208. Gjennomsnitt x = n (x + x 2 + x 3
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.
Detaljer1.1.1 Rekke med konstante ledd. En rekke med konstante ledd er gitt som. a n (1) n=m
Formelsamling og tabeller FO020E Matte 2000 for elektroprogrammet 1 Matematikk 1.1 Denisjoner av ulike typer polynomer og rekker 1.1.1 Rekke med konstante ledd En rekke med konstante ledd er gitt som a
DetaljerForelesing 27 Oppsummering. Torstein Fjeldstad Institutt for matematiske fag, NTNU
Forelesing 27 Oppsummering Torstein Fjeldstad Institutt for matematiske fag, NTNU 18.04.2018 I dag Lineær regresjon (sjekk av modellantagelser) Praktisk informasjon Andre statistikk-kurs Oversikt over
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
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
DetaljerLøsningsforslag til eksamen i TMA4245 Statistikk 7. juni 2007
Løsningsforslag til eksamen i TMA4245 Statistikk 7. juni 2007 Oppgave 1: Pengespill a) For hver deltaker har vi følgende situasjon: Deltakeren får en serie oppgaver. Hver runde har to mulige utfall: Deltakeren
DetaljerFormelsamling V MAT110 Statistikk 1. Per Kristian Rekdal
Formelsamling V-2016 MAT110 Statistikk 1 Per Kristian Rekdal Figur 1: Statistikk. 3 Innhold 1 Beskrivende statistikk 9 1.1 Populasjon og utvalg.................................. 9 1.2 Statistiske mål
DetaljerForeleses onsdag 8. september 2010
TMA4240 Statistikk H200 4.2: Varians (univariat del) 4.4: Chebyshevs teorem 3.4: Simultanfordelinger Mette Langaas Foreleses onsdag 8. september 200 Mette.Langaas@math.ntnu.no, TMA4240H200 2 4.2 Varians
DetaljerFasit for tilleggsoppgaver
Fasit for tilleggsoppgaver Uke 5 Oppgave: Gitt en rekke med observasjoner x i (i = 1,, 3,, n), definerer vi variansen til x i som gjennomsnittlig kvadratavvik fra gjennomsnittet, m.a.o. Var(x i ) = (x
DetaljerEksamensoppgave i Løsningsskisse TMA4240 Statistikk
Institutt for matematiske fag Eksamensoppgave i Løsningsskisse TMA440 Statistikk Faglig kontakt under eksamen: Håkon Tjelmeland a, Sara Martino b Tlf: a 48 18 96, b 99 40 33 30 Eksamensdato: 30. november
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
Detaljer6.5 Normalapproksimasjon til. binomisk fordeling
....3.4.5..5..5..5...4.6.8....4.6.8....3.4..5..5 Kaittel 6: Kontinuerlige sannsynsfordelingar TMA445 Statistikk Ka 6.5-6.8. 6.5: Normal aroksimasjon til binomisk fordeling, 6.6-6.8: Eksonensialfordeling,
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren
ÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Oppsummering Bjørn H. Auestad Institutt for matematikk og naturvitenskap Universitetet i Stavanger 24. april Bjørn H. Auestad Oppsummering våren
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
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
DetaljerSTK juni 2018
Løsningsforslag til eksamen i STK. juni 8 Oppgave Tvillingpar kan være enten eneggede eller toeggede. Sannsynligheten for at det ved en tvillingfødsel blir født eneggede tvillinger er i Nord-Europa omtrent
DetaljerA) B) 400 C) 120 D) 60 E) 10. Rett svar: C. Fasit: ( 5 6 = 60. Hvis A, B, C er en partisjon av utfallsrommet S, så er P (A B) lik.
Oppgave 1 Det skal velges en komité bestående av 2 menn og 1 kvinne. Komitéen skal velges fra totalt 5 menn og 6 kvinner. Hvor mange ulike komitéer kan dannes? A) 86400 B) 400 C) 120 D) 60 E) 10 Rett svar:
DetaljerGammafordelingen og χ 2 -fordelingen
Gammafordelingen og χ 2 -fordelingen Gammafunksjonen Gammafunksjonen er en funksjon som brukes ofte i sannsynlighetsregning. I mange fordelinger dukker den opp i konstantleddet. Hvis man plotter n-fakultet
DetaljerSTK Oppsummering
STK1110 - Oppsummering Geir Storvik 11. November 2015 STK1110 To hovedtemaer Introduksjon til inferensmetoder Punktestimering Konfidensintervall Hypotesetesting Inferens innen spesifikke modeller/problemer
DetaljerKapittel 4: Matematisk forventning
Kapittel 4: Matematisk forventning TMA4240 Statistikk (F2 og E7) Multivariate tilfeller foreleses mandag 6.september, 2004 Ole.Petter.Lodoen@math.ntnu.no p.1/16 Forventing til funksjon av flere stokastiske
DetaljerKap. 6, Kontinuerlege Sannsynsfordelingar
Kapittel 6, Kontinuerlege Sannsynsfordelingar Sjå på eit utval av ofte brukte kontinuerlege sannsynsfordelingar Uniform I går Normal I går Eksponensial I dag Gamma I dag Kji-kvadrat I dag Nokre eigenskapar
DetaljerFormelsamling V-2014 MAT110. Statistikk 1. Per Kristian Rekdal
Formelsamling V-2014 MAT110 Statistikk 1 Per Kristian Rekdal 2 Forord Dette er formelsamlingen i emnet MAT110 Statistikk 1 ved høgskolen i Molde. Formlene i denne formelsamlingen er stort sett de formlene
DetaljerKontinuerlige sannsynlighetsfordelinger.
Kontinuerlige sannsynlighetsfordelinger. Dekkes av kap. 6 og deler av kap. 8.5 i boka. Husk: f(x) er sannsynlighetstettheten til en kontinuerlig X dersom: 1. f(x) 0 for alle x R 2. f(x)dx =1 3. P (a
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
Detaljer6.1 Kontinuerlig uniform fordeling
Kapittel 6 Noen kontinuerlige sannsynlighetsfordelinger TMA4240 H2006: Eirik Mo 2 6.1 Kontinuerlig uniform fordeling Kontinuerlig uniform fordeling: Sannsynlighetstettheten til den kontinuerlige uniforme
DetaljerFORMELSAMLING STATISTIKK, HiG Versjon per 10. januar 2002, ved Hornæs
FORMELSAMLING STATISTIKK, HiG Versjon per 10 januar 2002, ved Hornæs 1 EMPIRISKE STATISTISKE MÅL 11 Forventningsverdi, varians og standardavvik La x {x 1,x 2, x n } være et datasett av (reelle) tall: 111
DetaljerTMA4240 Statistikk Høst 2015
TMA4240 Statistikk Høst 2015 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 9, blokk II Oppgave 1 X er kontinuerlig fordelt med sannsynlighetstetthet f(x) = 2xe
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
DetaljerNotasjon. Løsninger. Problem. Kapittel 7
3 Notasjon Kapittel 7 Funksjoner av stokastiske variabler Har n stokastiske variabler, X 1, X 2,..., X n, med kjent fordeling f( 1, 2,..., n ) og kumulativ fordeling F( 1, 2,..., n ). Ser på Y = u(x 1,
DetaljerTogforsinkelsen (Eksamen Des2003.1a) I denne oppgaven kan du bruke uten å vise det at
Kapittel 4 Forventningsverdi, varians, kovarians for én stokastisk variabel og funksjoner av stokastiske variabler TMA4245 V2007: Eirik Mo 2 4.1 Forventing til en stokastisk variabel DEF 4.1: La X være
DetaljerForventning og varians.
Forventning og varians. Dekkes av kapittel 4 i læreboka. Forventning (4.1) Forventningsverdi = gjennomsnitt i det lange løp. Defininsjon: Forventningsverdien til en stokastisk variabel X er: x xf(x),x
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
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2010 Oppsummering
ÅMA110 Sannsynlighetsregning med statistikk, våren 2010 Oppsummering Bjørn H. Auestad Institutt for matematikk og naturvitenskap Universitetet i Stavanger 21. april Bjørn H. Auestad Oppsummering våren
DetaljerTMA4240 Statistikk H2010
TMA4240 Statistikk H2010 Kapittel 6: Kontinuerlige sannsynlighetsfordelinger 6.4-5.7: Normalfordelingen, normalapproksimasjon, eksponensial og gamma. Mette Langaas Foreleses mandag 27. september 2010 2
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Deleksamen i: STK Sannsynlighetsregning og statistisk modellering Eksamensdag: Mandag 4. mars 26 Tid for eksamen: 5. 7. Oppgavesettet er
DetaljerOm fordelingen tilx +Y
Variansen til X +Y Om fordelingen til X +Y Vi viste at generelt, dvs. også når X og Y er avhengige gjelder E[X +Y] = E[X]+E[Y] Med µ X og µ Y forventningen til X og Y har vi da STK1100 V11 1. Variansen
Detaljer6 x P (X = x) = x=1 = P (X 2 = 6)P (X 2 = 6)P (X 3 = 6) =
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Anbefalte oppgaver 4, blokk I Løsningsskisse Oppgave 1 a) Utfallsrommet til X 1 er {1, 2,, 4, 5, }. Sannsynlighetsfordelingen
DetaljerKapittel 3: Stokastiske variable og sannsynlighetsfordelinger
f(x,y) NTNU Kapittel 3: Stokastiske variable og sannsynlighetsfordelinger TMA4240 Statistikk (F2 og E7) 3.4: Foreleses mandag 30.august y=hoyde x=vekt Ole.Petter.Lodoen@math.ntnu.no p.1/18 Oppsummering
DetaljerDenne veka. Kap 7: Funksjonar av stokastiske variable Transformasjon av variable Moment Momentgenererande funksjon
Denne veka Kap 7: Funksjonar av stokastiske variable Transformasjon av variable Moment Momentgenererande funksjon Notat: Ordningsvariable og ekstremvariable Ordnings variable Maksimum Minumum Transformasjon
DetaljerForventning og varians.
Forventning og varians. Dekkes av kapittel 4 i læreboka. Forventning (4.) Forventningsverdi gjennomsnitt i det lange løp. Defininsjon: Forventningsverdien til en stokastisk variabel X er: E(X) f(),x diskret
DetaljerTMA4240 Statistikk Høst 2015
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 9, blokk II Løsningsskisse Oppgave X er kontinuerlig fordelt med sannsynlighetstetthet f X (x) = { x exp( x ) x
DetaljerUNIVERSITETET I OSLO
Eksamen i: UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet STK2120 Skisse til løsning/fasit. Eksamensdag: Torsdag 5. juni 2014. Tid for eksamen: 14.30 18.30. Oppgavesettet er på 5 sider.
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
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
DetaljerLøsningsforslag ECON 2130 Obligatorisk semesteroppgave 2017 vår
Løsningsforslag ECON 130 Obligatorisk semesteroppgave 017 vår Andreas Myhre Oppgave 1 1. (i) Siden X og Z er uavhengige, vil den simultane fordelingen mellom X og Z kunne skrives som: f(x, z) = P(X = x
DetaljerStokastisk variabel. Eksempel augefarge
Dagens tekst Kap 3: Stokastiske variable og sannsynsfordelingar Stokastisk variabel: Diskret sannsynsfordeling: Kontinuerleg sannsynsfordeling: Kummulativ sannsynsfordeling: Diskret simultanfordeling Kontinuerleg
DetaljerFORMELSAMLING STATISTIKK, HiG
FORMELSAMLING STATISTIKK, HiG Hans Petter Hornæs hans.hornaes@hig.no Versjon per 18. februar 2004 Innhold 1 EMPIRISKE STATISTISKE MÅL 1 1.1 Forventningsverdi, varians og standardavvik.....................
DetaljerTMA4240 Statistikk Høst 2009
TMA44 Statistikk Høst 9 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer b Løsningsskisse Oppgave X er en stokastisk variabel med sannsynlighetstetthet { f(x),
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
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
DetaljerInferens. STK Repetisjon av relevant stoff fra STK1100. Eksempler. Punktestimering - "Fornuftig verdi"
Inferens STK1110 - Repetisjon av relevant stoff fra STK1100 Geir Storvik 12. august 2015 Data x 1,..., x n evt også y 1,..., y n Ukjente parametre θ kan være flere Vi ønsker å si noe om θ basert på data.
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
DetaljerLa U og V være uavhengige standard normalfordelte variable og definer
Binormalfordelingen Definisjon Noe av hensikten med å innføre begrepet betinget sannsynlighet er at kompliserte modeller ofte kan bygges ut fra enkle betingede modeller. Når man spesifiserer betingelser
DetaljerForelesning 7. mars, 2017
Forelesning 7. mars, 2017 AVSNITT 5.1 Eksempel: Miljøkonturer AVSNITT 5.2 Forventningen til en funksjon av flere variable Kovariansen mellom to variable Eksempel: Miljøkonturer Miljøvariable som karakteriserer
DetaljerHØGSKOLEN I STAVANGER
HØGSKOLEN I STAVANGER Avdeling for TEKNISK NATURVITEN- EKSAMEN I: TE199 SANNSYNLIGHETSREGNING MED STATISTIKK SKAPELIGE FAG VARIGHET: 4 TIMER DATO: 30. AUGUST 2003 TILLATTE HJELPEMIDLER: KALKULATOR OPPGAVESETTET
DetaljerTMA4240 Statistikk. Øving nummer 7. Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag
TMA4240 Statistikk Vår 2008 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 7 Oppgave Blandet drops a) Tippekupong På en tippekupong er det gitt 2 fotballkamper.
DetaljerFunksjoner av stokastiske variable.
Funksjoner av stokastiske variable. Dekkes av pensumsidene i kap. 7 I ulike sammenhenger, blant annet for å finne fordelingen til estimatorer, er vi interesserte i fordelingen til funksjoner av stokastiske
DetaljerEKSAMEN. TILLATTE HJELPEMIDLER: Kalkulator. Hornæs: Formelsamling statistikk HiG. John Haugan: Formler og tabeller.
KANDIDATNUMMER: EKSAMEN FAGNAVN: FAGNUMMER: Statistikk. REA1081 EKSAMENSDATO: 11. juni 2007. KLASSE: Ingeniørklasser. TID: kl. 9.00 13.00. FAGLÆRER: Hans Petter Hornæs ANTALL SIDER UTLEVERT: 4 (innkl.
DetaljerLøsningsforslag oblig 1 STK1110 høsten 2014
Løsningsforslag oblig STK høsten 4 Oppgave I forbindelse med en studie av antioksidanter og antocyanider, ble innholdet av antocyan i 5 beger med blåbær målt. De målte verdiene var (i mg per gram): 55
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
DetaljerSTK1100 våren Normalfordelingen. Normalfordelingen er den viktigste av alle sannsynlighetsfordelinger
STK00 våren 206 Normalfordelingen Svarer til avsnitt 4.3 i læreboka Geir Storvik Matematisk institutt Universitetet i Oslo Normalfordelingen er den viktigste av alle sannsynlighetsfordelinger Normalfordelingen
DetaljerFunksjoner av stokastiske variable.
Funksjoner av stokastiske variable. Dekkes av pensumsidene i kap. 7 I ulike sammenhenger, blant annet for å finne fordelingen til estimatorer, er vi interesserte i fordelingen til funksjoner av stokastiske
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 =
DetaljerOppsummering av STK2120. Geir Storvik
Oppsummering av STK2120 Geir Storvik Vår 2011 Hovedtemaer Generelle inferensmetoder Spesielle modeller/metoder Bruk av R Vil ikke bli testet på kommandoer, men må forstå generelle utskrifter Generelle
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.
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
DetaljerTMA4240 Statistikk H2015
TMA4240 Statistikk H2015 Funksjoner av stokastiske variabler (kapittel 7+notat) Fokus på start med kumulativ fordeling 7.2 Funksjon av en SV (inkludert en-entydighet). Fordeling til max/min (fra notat).
DetaljerStatistikk 1 kapittel 4
Statistikk 1 kapittel 4 Nico Keilman ECON 2130 Vår 2017 Kapittel 4 Stokastiske (tilfeldige) variabler Anta 1) Vi kjenner sannsynligheter for ulike utfall knyttet til et forsøk 2) Hvert utfall har en (meningsfull)
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
DetaljerFORMELSAMLING STATISTIKK, HiG
Høgskolen i Gjøvik Avdeling for ingeniørfag Versjon fra mai 2007 FORMELSAMLING STATISTIKK, HiG Hans Petter Hornæs hans.hornaes@hig.no ISSN:??????? Innledning. Denne formelsamlingen er skrevet for bruk
DetaljerForelesning 27. mars, 2017
Forelesning 27. mars, 2017 AVSNITT 5.5 Ordningsobservatorene AVSNITT 6.1 Observatorer og deres fordelinger Ordningsobservatorene La X 1,..., X n være n uavhengige stokastiske variable som alle har samme
DetaljerEksempel: kast med to terninger
Kapittel 3 TMA4245 V2007: Eirik Mo 2 Eksempel: kast med to terninger I et eksperiment kaster vi to terninger og registerer antall øyne på hver terning. Utfallsrom S={(,),(,2),(,3),...,(,), (2,),...,(2,),...,(,)}
DetaljerEkstraoppgaver STK3100 h10
Ekstraoppgaver STK3100 h10 Oppgave 1 En-veis variansanalyse modellen kan formuleres som Y ij = µ + α i + ɛ ij (1) der α i = 0 og ɛ ij er i.i.d N(0, σ 2 ). Her representerer er Y ij j te observasjon fra
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
Detaljer