Matematisk statistikk og stokastiske prosesser B, høsten 2006 Løsninger til oppgavesett 5, s. 1. Oppgave 1
|
|
- Brage Nesse
- 4 år siden
- Visninger:
Transkript
1 Matematisk statistikk og stokastiske prosesser B, høsten 2006 Løsninger til oppgavesett 5, s AR2-modell: Oppgave X t φ X t φ 2 X t 2 Z t Antas å være kausal slik at X t ψ j Z t j er ukorrelert med Z t+, Z t+2, framtiden Når vi multipliserer med X t h, h > 2: X t φ X t φ 2 X t 2 Z t t h ψ j Z t h j E X t X t h φ X t 2 X t h φ 2 X t 2 X t h E Z t ψ j Z t h j γh φ γh φ 2 γh 2 0 Som gir rekursjonen: Derfor: γh φ γh + φ 2 γh 2, h 3, 4, 5, γ3 04γ γ γ4 04γ γ γ5 04γ γ Egentlig skulle oppgaven vært med: γ 94 og γ2 97 Det er dette som er riktige ACVF-verdier for den gitte modellen Da blir svarene: γ3 04γ γ γ4 04γ γ γ5 04γ γ
2 Matematisk statistikk og stokastiske prosesser B, høsten 2006 Løsninger til oppgavesett 5, s 2 Oppgave 2 Rekursjonen framkommer som vist i oppgave Den er bla svært nyttig for å finne autokovariansene for en gitt AR2-modell ARp-modell: X t φ X t φ p X t p Z t For h > p: X t φ X t φ p X t p Z t t h ψ j Z t h j EX t X t h φ EX t X t h φ p EX t p X t h E Z t ψ 0 Z t h + ψ Z t h + γh φ γh φ p γh p 0 γh φ γh + + φ p γh p Oppgave 3 a Dersom {X t } er slik at vi kan skrive X t som: X t ψ j Z t j, der konstantene {ψ j } er slik at: ψ j <, sier vi at {X t } er kausal mht {Z t } Vi kan si at {X t } er framtidsuavhengig mht {Z t } b Dersom φz φ z φ p z p 0, for alle z, er ARMAp,q-prosessen kausal mht {Z t } c Dersom vi kan skrive Z t som: Z t π j X t j, der konstantene {π j } er slik at: π j <, sier vi at ARMAp,q-modellen er invertibel Dersom θz + θ z + + θ q z q 0, for alle z, er ARMAp,q-prosessen invertibel
3 Matematisk statistikk og stokastiske prosesser B, høsten 2006 Løsninger til oppgavesett 5, s 3 Oppgave 4 a PACF en til en ARMA-prosess {X t } er funksjonen α definert ved ligningene α0, og for h 0 : αh φ hh, φ h φ 2h der φ hh er siste komponenten i vektoren φ h som løser ligningssystemet: φ hh γ0 γ γh 2 γh γ γ0 γh 3 γh 2 γh γh 2 γ γ0 b For en ARp-prosess har PACF en følgende egensakper: φ h φ 2h φ hh γ γ2 γh αp φ p og αh 0, for h > p c Vi vet at løsningsvektoren φ h er koeffisentene til P h X h+, prediksjonen av X h+ basert på X h, X h,, X : P h X h+ φ h X h + + φ ph X h+ p + + φ hh X, h p Men vi vet også at: Når {X t } er en ARp-prosess, er prediktoren av X h+ basert på X h, X h,, X : P h X h+ φ X h + + φ p X h+ p, h p Altså: P h X h+ φ h X h + + φ ph X h+ p + + φ hh X Er det samme som: P h X h+ φ X h + + φ p X h+ p Dette betyr at vi må ha når h er større enn p: φ h φ 2h φ ph φ p+,h φ hh φ φ 2 φ p 0 0, som betyr at φ p+,h φ hh 0
4 Matematisk statistikk og stokastiske prosesser B, høsten 2006 Løsninger til oppgavesett 5, s 4 Oppgave 5 a For en tidsrekke, {X t }, er ACF definert ved: ρh γh γ0, h 0,, 2,, der γh CovX t+h, X t b For en MAq-prosess: har vi at ρh 0 når h > q X t Z t + θ Z t + + θ q Z t q, c For en MAq-prosess har vi: γh CovX t+h, X t Cov{Z t+h + θ Z t+h + + θ q Z t+h q Z t + θ Z t + + θ q Z t q } q q θ i θ j CovZ t+h i, Z t j der vi har satt θ 0 i0 Når h > q, vil vi ikke få like tidsindekser på Z t ene i uttrykket over; vi har alltid t+h i t j når h > q; og alle kovariansene i summen er derfor null {Z t } er hvit støy Oppgave 6 E{Y c 2 } EY 2 2cY + c 2 EY 2 2cEY + c 2 Vi betrakter E{Y c 2 } som en funksjon av c: gc EY 2 2cEY + c 2 Den verdi av c som minimerer E{Y c 2 }, er den som minimerer funksjonen gc For å finne dette, deriverer vi g mht c og setter den deriverte lik null: g c 2EY + 2c 0 c EY Vi har videre at g c 2 > 0, slik at c EY er et minimumspunkt for g Dvs: E{Y c 2 } minimeres ved å velge c EY Oppgave 7 a Prp 22 sier bla: Når {X t } er en tidsrekke definert ved: X t j ψ j Y t j, der {Y t } er en stasjonær tidsrekke med EY t 0, og {ψ j } er en følge konstanter som er slik at j ψ j <, så har {X t } følgende egenskaper: {X t } er stasjonær og EX t 0 I vår situasjon spiller {Z t } rollen til {Y t }, og {Z t } som er hvit støy er stasjonær og EZ t 0 Videre ψ j ene er gitt ved: ψ j φ j, for j 0 og ψ j 0, for j < 0 Siden φ <, har vi at j ψ j φ j < Da har vi fra første strekpunkt ovenfor at {X t } er stasjonær
5 Matematisk statistikk og stokastiske prosesser B, høsten 2006 Løsninger til oppgavesett 5, s 5 b Vise at {X t } definert ved X t φ j Z t j, er en stasjonær løsning av AR-ligningen: X t φx t Z t Viser ved innsetting: Obs: X t φ j Z t j X t φx t φ j Z t j φ φ j Z t j Z t + φz t + φ 2 Z t + φ Z t + φz t 2 + φ 2 Z t 3 + Z t sa, b E{X n+h a + bx n } 2 Oppgave 8 sa, b a E 2{X n+h a + bx n } 2{EX n+h a bex n } 2{µ b a} 2{µ b a} 0 a µ b sa, b b E 2X n {X n+h a + bx n } 2{EX n+h X n aex n bex n X n } 2{EX n+h X n µ bµ bex n X n }, innsatt a µ b 2{γh bγ0} 0 b γh/γ0 ρh Og vi får da: a µ b µ ρh Oppgave 9 For {X t } definert ved X t 07X t + Z t, der {Z t } WN0, σ 2, vil ligningene: φ z φ p z p ψ 0 + ψ z + + θ z + + θ q z q bli: 07zψ 0 + ψ z + ψ 2 z 2 + Disse ligningene bestemmer ψ j ene som funksjon av φ j ene og θ j ene, generelt ved at summen av koeffisientene til z j -ledd må være den samme på begge sider av likhetstegnet: Venstre side: 07zψ 0 + ψ z + ψ 2 z 2 + ψ 0 + ψ z + ψ 2 z zψ 0 + ψ z + ψ 2 z 2 + Høyre side: venstre side høyre side j 0 : ψ 0 ψ 0 j : ψ 07 ψ 0 0 ψ 07ψ 0 j 2 : ψ 2 07 ψ 0 ψ 2 07ψ j 3 : ψ 3 07 ψ 2 0 ψ 3 07ψ 2
6 Matematisk statistikk og stokastiske prosesser B, høsten 2006 Løsninger til oppgavesett 5, s 6 Av dette ser vi at vi får: ψ j 07 j, j 0,, 2,, og den kausale representasjonen av X t er: X t 07 j Z t j De ti første ψ j ene:, 07, 049, 0343, 0240, 068, 076, 00824, 00576, Oppgave 0 For {X t } definert ved X t 05X t Z t + 04Z t, der {Z t } WN0, σ 2, vil ligningene: φ z φ p z p ψ 0 + ψ z + + θ z + + θ q z q bli: 05zψ 0 + ψ z + ψ 2 z z Disse ligningene bestemmer ψ j ene som funksjon av φ j ene og θ j ene, generelt ved at summen av koeffisientene til z j -ledd må være den samme på begge sider av likhetstegnet: Venstre side: 05zψ 0 + ψ z + ψ 2 z 2 + ψ 0 + ψ z + ψ 2 z zψ 0 + ψ z + ψ 2 z 2 + Høyre side: + 04z venstre side høyre side j 0 : ψ 0 ψ 0 j : ψ 05 ψ 0 04 ψ ψ 0 09 j 2 : ψ 2 05 ψ 0 ψ 2 05ψ j 3 : ψ 3 05 ψ 2 0 ψ 3 05ψ ψ Av dette ser vi at vi får: ψ 0, ψ 09 og ψ j 05 j 09, j 2, 3 De ti første ψ j ene:, 09, 045, 0225, 025, 00563, 0028, 004, 00070, Oppgave a AR-modell: X t φx t + Z t ; Estimat Yule-Walker: φ γ γ Støyvarians: σ 2 γ0 φ γ AR2-modell: X t φ X t φ 2 X t 2 + Z t ; Yule-Walker-estimatene, φ og φ 2, bestemmes ved de to ligningene: Dette gir: Innsatt: φ φ γ0 φ + γ φ 2 γ γ φ + γ0 φ 2 γ2 γ0 γ γ γ2 γ 2 0 γ og φ 2 Støyvarians: σ 2 γ0 085 og φ 2 γ2 γ φ γ φ γ+ φ 2 γ
7 Matematisk statistikk og stokastiske prosesser B, høsten 2006 Løsninger til oppgavesett 5, s 7 b Prediksjoner: Vi bruker estimert modell til å lage prediksjonene AR: P 00 X 0 µ + φ x 00 µ, µ x n nt x t 005 Innsatt data: P 00 X AR2: P 00 X 0 µ + φ x 00 µ + φ 2 x 99 µ, Innsatt data: P 00 X c AR2-modellen gir betydelig lavere støyvarians enn AR-modellen Det synes derfor som om den gir best tilpasning Oppgave 2 AR2-modell: tidsrekken {X t } tilfredsstiller ligningen: X t φ X t φ 2 X t 2 Z t, der {Z t } er WN0, σ 2 Tidsrekken {X t } definert på denne måten er stasjonær og kausal dersom polynomet φz φ z φ 2 z 2 er slik at φz 0 når z Yule-Walker-ligningene: X t φ X t φ 2 X t 2 Z t t ψ j Z t j E X t X t φ X t X t φ 2 X t 2 X t E Z t ψ j Z t j γ0 φ γ φ 2 γ2 Eψ 0 Z 2 t σ 2 ψ 0 ligning : σ 2 γ0 φ γ φ 2 γ2 X t φ X t φ 2 X t 2 Z t t ψ j Z t j E X t X t φ X t X t φ 2 X t 2 X t E Z t ψ j Z t j γ φ γ0 φ 2 γ 0 ligning 2: γ φ γ0 + φ 2 γ
8 Matematisk statistikk og stokastiske prosesser B, høsten 2006 Løsninger til oppgavesett 5, s 8 X t φ X t φ 2 X t 2 Z t t 2 ψ j Z t 2 j E X t X t 2 φ X t 2 X t 2 φ 2 X t 2 X t 2 E Z t ψ j Z t 2 j γ2 φ γ φ 2 γ0 0 ligning 3: γ2 φ γ + φ 2 γ0 ACVF for tidsrekken {X t }: Oppgave 3 γ X h Cov{Z t+h + θz t+h Z t + θz t } CovZ t+h Z t + θcovz t+h Z t + θcovz t+h Z t + θ 2 CovZ t+h Z t γ Z h + θγ Z h + + θγ Z h + θ 2 γ Z h σ 2 + θ 2, h 0 σ 2 θ, h ± 0, h 2 Det er brukt at γ Z h CovZ t+h Z t σ 2 for h 0, og γ Z h 0 for for h 0 Frekvenstetthet for {X t } : Kan alternativt finnes vha: f X λ σ2 h e iλh γh h e iλh γh { σ 2 + θ 2 e 0 + σ 2 θe iλ + e iλ { } + θ 2 + 2θ cosλ f X λ θe iλ 2 φe iλ f Zλ, med θz + θz og φz 2 }{{} σ 2 }
9 Matematisk statistikk og stokastiske prosesser B, høsten 2006 Løsninger til oppgavesett 5, s 9 0,7 0,6 0,5 Spektraltetthet 0,4 0,3 0,2 0, 0,0 0,00 0,50,00,50 2,00 2,50 3,00 frekvens, lambda Plott av σ2 { + θ 2 + 2θ cosλ } for λ 0, π og θ 09 Vi ser at spektraltettheten er høy for lave frekvenser og lav for de høyeste frekvensene Det betyr at de høyeste frekvensene ikke er vesentlige for egenskapene til tidsrekken mens lave frekvenser dominerer egenskapene 0,7 0,6 0,5 Spektraltetthet 0,4 0,3 0,2 0, 0,0 0,00 0,50,00,50 2,00 2,50 3,00 frekvens, lambda Plott av σ2 { + θ 2 + 2θ cosλ } for λ 0, π og θ 09 Vi ser at spektraltettheten er høy for høye frekvenser og lav for de laveste frekvensene Det betyr at de laveste frekvensene ikke er vesentlige for egenskapene til tidsrekken mens høye frekvenser dominerer egenskapene
10 Matematisk statistikk og stokastiske prosesser B, høsten 2006 Løsninger til oppgavesett 5, s 0 Oppgave 4 Spektraltetthet til {X t }, der {X t } er AR2-prosessen: X t VarZ t 38X t 0634X t 2 + Z t, der Vi har: θz, φz φ z φ 2 z 2 38z 0634z 2 ; derfor: f X λ σ2 θe iλ 2 φe iλ 2 σ2 φe iλ 2 σ2 σ2 φ e iλ φ 2 e i2λ φ e iλ φ 2 e i2λ φ e iλ φ 2 e i2λ 2 σ2 φ e iλ φ 2 e i2λ φ e iλ + φ 2 e iλ e iλ + φ e iλ φ 2 e i2λ φ 2 e i2λ + φ φ 2 e i2λ e iλ + φ 2 2e i2λ e i2λ σ2 φ e iλ + e iλ φ 2 e i2λ + e i2λ + φ 2 + φ φ φ 2 e iλ + e iλ σ2 + φ 2 + φ φ φ 2 φ 2 cosλ φ 2 2 cos2λ 4,0 3,5 3,0 Spektraltetthet 2,5 2,0,5,0 0,5 0,0 0,00 0,50,00,50 2,00 2,50 3,00 frekvens, lambda Plott av spektraltettheten, f X λ, for λ 0, π Vi ser at spektraltettheten har en markant topp omkring frekvensen λ 055 som har perioden 4 år Høyere frekvenser bidrar lite, mens lavere frekvenser bidra noe 055
11 Matematisk statistikk og stokastiske prosesser B, høsten 2006 Løsninger til oppgavesett 5, s Oppgave 5 Vi betrakter tidsrekken {Y t }, der Y t er definert ved AR-differensligningen: Y t 06Y t + Z t Vi vil predikere Y n+ på bakgrunn av Y n, Y n,, Y a Prediksjonsfeil, metode : Y n+ 0; metode 2: Y n+ 06Y n b Forventet prediksjonsfeil, metode : EY n+ 0 EY n+ 0; metode 2: EY n+ 06Y n EY n+ 06EY n 0 c Varians til prediksjonsfeil: Metode,: E{Y n+ 0 2 } VarY n+ σ 2 / 06 2 Metode,2: E{Y n+ 06Y n 2 } E{Z n+ 2 } σ 2 d Begge metodene har riktig forventet verdi på prediksjonen Det betyr i praksis at gjennomsnittsfeilen i det lange løp er null for både metode og metode 2 Her var situasjonen at det skulle gjøres en prediksjon hver dag over tid svært mange prediksjoner Metode tar ikke hensyn til at Y t ene er korrelerte, mens metode 2 gjør det Dette resulterer i mindre prediksjonsfeil varians til prediksjonsfeil dersom man bruker metode 2 I praksis vil dette si at metode i det lange løp gjennomsnittlig vil gi større avvik mellom prediksjon og virkellig verdi Oppgave 6, fra bok: 5 AR2-modell: X t φ X t φ 2 X t 2 + Z t ; Yule-Walker-estimatene, φ og φ 2, bestemmes ved de to ligningene: γ0 φ + γ φ 2 γ γ φ + γ0 φ 2 γ2 Dette gir: Innsatt: φ φ γ0 γ γ γ2 γ 2 0 γ og φ 2 Støyvarians: σ 2 γ og φ 2 γ2 γ φ γ φ γ + φ 2 γ Konfidensintervall for φ og φ 2 : Vi har at tilnærmet er φ Nφ, n σ 2 Γ p, der φ φ, φ 2, φ φ, φ 2, og γ0 γ Γ p som gir: Γ γ0 γ p γ γ0 γ0γ0 γγ γ γ0
12 Matematisk statistikk og stokastiske prosesser B, høsten 2006 Løsninger til oppgavesett 5, s 2 Dvs: Var φ σ2 γ0 n γ0 2 γ Var φ 2 2 σ Et tilnærmet 95% konfidensintervall for φ i er da: φ i 96 2 γ0, φ n γ0 2 γ 2 i +96 i, 2 Tilnærmingen gjelder også når variansen estimeres med data når n er stor: Var φ i σ 2 γ0 n γ0 2 γ , 2 i, 2 Derfor får vi tilnærmede 95% konfidensintervall for φ : , , 47, og for φ 2 : , , 048 σ 2 n γ0 γ0 2 γ 2, Data: n 200; x ; videre har vi oppgitt: Oppgave 6, fra bok: 54 γ0 5 ρ 0427 γ ρ γ0 049 ρ som gir at: γ2 ρ2 γ ρ3 069 γ3 ρ3 γ0 094 a Dersom {X t } er hvit støy, så vil for h > 0, ρh N0, n, og ρh ene vil være uavhengige, tilnærmet Dvs ρh ene bør da være mellom ±96/ n ±96/ 200 ±039 Vi ser at spesielt ρ og ρ2 er langt større enn dette Derfor er det ikke rimelig å si at den bakenforliggende tidsrekken {X t µ} er hvit støy b Estimat av µ: µ x Estimat av φ og φ 2 : Yule-Walker-estimatene, φ og φ 2, bestemmes ved de to ligningene: γ0 φ + γ φ 2 γ γ φ + γ0 φ 2 γ2 Obs: ligningene kan også enkelt uttrykkes vha korrelasjonene ρh Dette gir: γ0 γ γ γ2 φ γ 2 0 γ 2 og φ 2 γ2 γ φ γ0 Innsatt: φ og φ 2 Støyvarians: σ 2 γ φ γ+ φ 2 γ c Test for H 0 : µ 0 mot H : µ 0 Tilnærmet er µ X 200 Nµ, n v, der v nh n h γh Vi må estimere v Erstatt γh med γh, og for h 3, 4, har vi når n vi antar ar dataene kommer fra en AR2-modell: γh φ γh + φ 2 γh 2 Numerisk verdi beregnet med summering fra h 4 til h 4 200: v 587 Av dette får vi at et tilnærmet 95% konfidensintervall for µ er: X / 200, X / , 463 Siden 0 ikke er inneholdt i intervallet, kan vi forkaste H 0
13 Matematisk statistikk og stokastiske prosesser B, høsten 2006 Løsninger til oppgavesett 5, s 3 d Som i forrige oppgave e α ρ 0427 α2 φ For h 3 vil vi få αh 0 Oppgave 7 Når {X t } er en kausal ARMAp,q-prosess, kan X t representeres: X t ψ j Z t j, der {Z t } er hvit støy Når n er stor, har vi tilnærmet: P n X n+h jh ψ j Z n+h j, og derfor prediksjonsfeil: X n+h P n X n+h h ψ j Z n+h j, og dermed variansen til prediksjonsfeilen: h h VarX n+h P n X n+h Var ψ j Z n+h j σ 2 ψj 2, som viser hvordan prediksjonsvariansen øker når h øker Oppgave 8 Vi tenker oss at vi har tidsrekkedata x,, x n og antar at disse er utfall av en ARp-modell: X t φ X t φ p X t p Z t ; der vi antar at EX t 0 og at Z t ene er uavhengige og normalfordelte For t p +,, n: Z t X t φ X t φ p X t p Likelihood for Z t ene: Lφ,, φ p ; σ 2 ; z p+,, z n n ip+ n ip+ fz i ; φ,, φ p ; σ 2 uavhengige Z t er σ 2 e 2σ 2 z2 i n p e n 2σ 2 ip+ z2 i σ 2 normalfordelte Z t er Logaritme til likelihood: ln { Lφ,, φ p ; σ 2 ; z p+,, z n } n p ln σ 2 2σ 2 n zi 2 ip+ ln-likelihood en blir en funksjon av φ,, φ p ; σ 2 og x t ene ved å erstatte z t med x t p i φ i x t i : ln { Lφ,, φ p ; σ 2 ; x p+,, x n } n p ln σ 2 2σ 2 n p 2 x t φ i x t i tp+ i Det settet av verdier φ,, φ p ; σ 2 som maksimerer ln {Lφ,, φ p ; σ 2 ; x p+,, x n }, kalles sannsynlighetsmaksimeringsestimatene av φ,, φ p ; σ 2 Maksimeringen utføres numerisk Metoden gir gode estimat også når Z t ene ikke er normalfordelte
14 Matematisk statistikk og stokastiske prosesser B, høsten 2006 Løsninger til oppgavesett 5, s 4 Oppgave 9 a {X t } der X t X t, X t2, er en m 2-dimensjonal tidsrekke EX t E CovX t+h, X t b {X t } er svakt stasjonær dersom Xt X t2 EXt EX t2 µt µ t2 CovXt+h,, X t CovX t+h,, X t2 CovX t+h,2, X t CovX t+h,2, X t2 EX t er uavhengig av t: og 2 CovX t+h, X t er uavhengig av t: CovX t+h, X t EX t µt µ t2 µ µ 2 CovXt+h,, X t CovX t+h,, X t2 CovX t+h,2, X t CovX t+h,2, X t2, γ h γ 2 h γ 2 h γ 22 h Oppgave 20 a {Z t } der Z t Z t, Z t2, er en m 2-dimensjonal hvit-støy-tidsrekke med forventing 0 0, 0 og kovariansmatrise Σ, dersom {Z t } er stasjonær med forvnentningsvektor 0, 0 og kovariansmatrisefunksjon: Γh CovZ t+h, Z t { Σ dersom h matrise med nullere ellers b {X t } der X t X t, X t2, er en m 2-dimensjonal AR-prosess dersom {X t } er stasjonær og for hver t tilfredsstiller differensligningen: Xt X t2 φ φ 2 φ 2 φ 22 Xt, X t,2 + Zt der {Z t } med Z t Z t, Z t2, er en m 2-dimensjonal hvit-støy-tidsrekke Z t2, Data: Estimat av er: Γh Γh x x 2, Oppgave 2 x2 x 22,, xn x n2 CovXt+h,, X t CovX t+h,, X t2 CovX t+h,2, X t CovX t+h,2, X t2 ĈovXt+h,, X t ĈovX t+h,, X t2 ĈovX t+h,2, X t ĈovX t+h,2, X t2,
15 Matematisk statistikk og stokastiske prosesser B, høsten 2006 Løsninger til oppgavesett 5, s 5 der for 0 h n : ĈovX t+h,, X t γ h n ĈovX t+h,, X t2 γ 2 h n ĈovX t+h,2, X t γ 2 h n ĈovX t+h,2, X t2 γ 22 h n n h t x t+h, x x t x t x t+h, x x t2 x 2 t x t+h,2 x 2 x t x t x t+h,2 x 2 x t2 x 2 n h n h n h Her er x nt x n t, og x 2 nt x n t2 For n h, er Γh Γ h Oppgave 22 a Vi observerer ikke utfallene av Z t variablene, men vi observerer utfallene av X t variablene: x,, x n Derfor kan vi ikke gjøre som vi gjør ved prediksjon med en ARp-modell, fordi vi har ingen z t verdier å sette inn i uttrykket: P n X n+ θ Z n + + θ q Z n+ q b Dersom MAq-prosessen er invertibel, kan Z t representeres som en funksjon av X t, X t, X t 2, på følgende måte: Z t π j X t j Vi kan finne π j ene, og da betyr dette at vi kan beregne Z t på bakgrunn av X t ene som vi jo kjenner utfallene av! : MEN, vi trenger uendelig mange X t er bakover i tid, og det har vi sjeldent i praksis : c Imidlertid, dersom vi har relativt menge X t data n er stor vil vi kunne bruke t Z t π 0 X t + π X t + + π t X π j X t j, som en god tilnærming til: Z t π 0 X t + π X t + + π t X + π t 2 X 0 + π t 3 X + π j X t j Da vil vi kunne bruke: som en god tilnærmingsverdi til prognosen: θ Zn + + θ q Zn+ q P n X n+ θ Z n + + θ q Z n+ q
Matematisk statistikk og stokastiske prosesser B, høsten 2006 Oppgavesett 5, s. 1. Oppgave 1. Oppgave 2. Oppgave 3
Matematisk statistikk og stokastiske prosesser B, høsten 2006 Oppgavesett 5, s. 1 Oppgave 1 For AR(2)-modellen: X t = 0.4X t 1 + 0.45X t 2 + Z t (der {Z t } er hvit søy med varians 1), finn γ(3), γ(4)
DetaljerLøsningsforslag. MOT 110 Matematisk statistikk og stokastiske prosesser B, høst Oppgave 1
MOT 110 Matematisk statistikk og stokastiske prosesser B, høst 2004. Løsningsforslag Oppgave 1 a) Autokovariansen for en tidsrekke X t } er: γ(t + h, t) Cov(X t+h, X t ). Tidsrekken X t } er stasjonær
DetaljerEKSAMEN I TMA4285 TIDSREKKEMODELLER Fredag 7. desember 2012 Tid: 09:00 13:00
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 8 Bokmål Faglig kontakt under eksamen: John Tyssedal 73593534/41645376 EKSAMEN I TMA4285 TIDSREKKEMODELLER Fredag
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
DetaljerEKSAMEN I TMA4285 TIDSREKKJEMODELLAR Fredag 7. desember 2012 Tid: 09:00 13:00
Noregs teknisk naturvitskaplege universitet Institutt for matematiske fag Side 1 av 8 Nynorsk Fagleg kontakt under eksamen: John Tyssedal 73593534/41645376 EKSAMEN I TMA4285 TIDSREKKJEMODELLAR Fredag 7.
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
DetaljerÅMA110 Sannsylighetsregning og statistikk Løsningsforslag til eksamen høst 2010, s. 1. Oppgave 1. Histogram over frekvenser.
ÅMA1 Sannsylighetsregning og statistikk Løsningsforslag til eksamen høst 0, s. 1 (Det tas forbehold om feil i løsningsforslaget.) a) Gjennomsnitt: x = 1 Emp. standardavvik: Median: 1 (1.33 + 1.) = 1.35
Detaljer(Det tas forbehold om feil i løsningsforslaget.) Oppgave 1
ÅMA1 Sannsylighetsregning og statistikk Løsningsforslag til eksamen vår 2011, s. 1 (Det tas forbehold om feil i løsningsforslaget.) Oppgave 1 a) Data: x 1, x 2, x 3, x 4, x 5 Gjennomsnitt: x = 1 5 (x 1
DetaljerTMA4240 Statistikk Høst 2016
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Anbefalt øving 9 Løsningsskisse Oppgave 1 a) Vi lar her Y være antall fugler som kolliderer med vindmølla i løpet av den gitte
DetaljerEKSAMENSOPPGAVE. Vil det bli gått oppklaringsrunde i eksamenslokalet? Svar: JA / NEI Hvis JA: ca. Kl 10.00
Fakultet for naturvitenskap og teknologi EKSAMENSOPPGAVE Eksamen i: STA-2003 Tidsrekker Dato: 29/5-2018 Klokkeslett: 09.00-13.00 Sted: TEO H1, PLAN 3 Tillatte hjelpemidler: "Tabeller og formler i statistikk"
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
DetaljerLøsningsforslag, eksamen statistikk, juni 2015
Løsningsforslag, eksamen statistikk, juni 0 Oppgave 1 Siden det spørres om tall fra et intervall, som oppgaven viser kan være et reelle, er det tydelig at tallene er tatt fra en kontinuerlig fordeling.
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
DetaljerTMA4240 Statistikk 2014
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 9, blokk II Løsningsskisse Oppgave Scriptet run confds.m simulerer n data x,..., x n fra en normalfordeling med
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
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
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.
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
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 2007
TMA4240 Statistikk Høst 2007 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer b4 Løsningsskisse Oppgave 1 Eksamen juni 1999, oppgave 3 av 3 a) µ populasjonsgjennomsnitt,
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
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Kp. 6, del 4
ÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Kp. 6, del 4 Bjørn H. Auestad Institutt for matematikk og naturvitenskap Universitetet i Stavanger 27. mars Bjørn H. Auestad Kp. 6: Hypotesetesting
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
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)
DetaljerFORMELSAMLING TIL STK1100 OG STK1110
FORMELSAMLING TIL STK1100 OG STK1110 (Versjon av 11. november 2017) 1. Sannsynlighet La A, B, A 1, A 2,..., B 1, B 2,... være begivenheter, dvs. delmengder av et utfallsrom Ω. a) Aksiomene: Et sannsynlighetsmål
DetaljerTMA4240 Statistikk 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
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
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Kp. 6, del 3
ÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Kp. 6, del 3 Bjørn H. Auestad Institutt for matematikk og naturvitenskap Universitetet i Stavanger 20. mars Bjørn H. Auestad Kp. 6: Hypotesetesting
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
DetaljerÅMA 110 (TE 199) Sannsylighetsregning og statistikk Løsningsforslag til eksamen vår 2005, s. 1. Oppgave 1
ÅMA 0 (TE 99) Sannsylighetsregning og statistikk Løsningsforslag til eksamen vår 005, s. Oppgave a) P (X 0) 0.04 + 0.04 + 0.06 + 0.06 + 0. + 0. + 0. 0.6 P (0 X 40) 0.0 + 0.0 + 0.04 + 0.04 + 0.06 0.0 P
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
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
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
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
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 Høst 2009
TMA440 Statistikk Høst 009 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer b6 Løsningsskisse Oppgave a) n 8, i x i 675, x 37.5, i y i 488, i x i 375, i x iy i
DetaljerKp. 9.8 Forskjell mellom to forventninger
andeler I analysene skal vi se på situasjonene der σx og σ Y er kjente; normalantakelse a σx og σ Y er ukjente men σ X = σ Y ; normalantakelse og b σx og σ Y er ukjente og σ X σ Y ; normalantakelse 3 og
DetaljerTMA4240 Statistikk Høst 2009
TMA4240 Statistikk Høst 2009 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer b5 Løsningsskisse Oppgave 1 Vi ønsker å finne ut om et nytt serum kan stanse leukemi.
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
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
DetaljerFORMELSAMLING TIL STK1100 OG STK1110
FORMELSAMLING TIL STK1100 OG STK1110 (Versjon av 16. november 2009) 1. Sannsynlighet La A, B, A 1, A 2,...,B 1, B 2,... være begivenheter, dvs. delmengder av et utfallsrom Ω. a) Aksiomene: Et sannsynlighetsmål
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
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
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]
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
DetaljerTilfeldige variabler. MAT0100V Sannsynlighetsregning og kombinatorikk
MAT0100V Sannsynlighetsregning og kombinatorikk Forventning, varians og standardavvik Tilnærming av binomiske sannsynligheter Konfidensintervall Ørnulf Borgan Matematisk institutt Universitetet i Oslo
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.
DetaljerGenerell informasjon om faget er tilgjengelig fra It s learning. 7.1 Stokastisk prosess Lineær prediktor AR-3 prosess...
Stavanger, 1. september 013 Det teknisknaturvitenskapelige fakultet ELE500 Signalbehandling, 013. Generell informasjon om faget er tilgjengelig fra It s learning. Innhold 7.1 Stokastisk prosess..........................
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
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
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
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.
DetaljerOppgave 1: Feil på mobiltelefoner
Oppgave 1: Feil på mobiltelefoner a) Sannsynlighetene i oppgaven blir P (F 1 F 2 ) P (F 1 ) + P (F 2 ) P (F 1 F 2 ) P (F 1 ) + 1 P (F2 C ) P (F 1 F 2 ) 0.080 + 0.075 0.006 0.149 P (F 1 F 2 ) P (F 1 F 2
DetaljerEKSAMEN I EMNE TMA4285 TIDSREKKER OG FILTERTEORI 15. desember 2004 Tid: 09:0013:00
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 3 Bokmål Faglig kontakt under eksamen: Arvid Næss 73 59 70 53/ 99 53 83 50 EKSAMEN I EMNE TMA4285 TIDSREKKER OG FILTERTEORI
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Kp. 6, del 3
ÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Kp. 6, del 3 Bjørn H. Auestad Institutt for matematikk og naturvitenskap Universitetet i Stavanger 20. mars Bjørn H. Auestad Kp. 6: Hypotesetesting
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
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),
DetaljerEksamensoppgåve i Løsningsskisse TMA4245 Statistikk
Institutt for matematiske fag Eksamensoppgåve i Løsningsskisse TMA4245 Statistikk Fagleg kontakt under eksamen: Gunnar Taraldsen a, Torstein Fjeldstad b Tlf: a 464 32 506, b 962 09 710 Eksamensdato: 23
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)
DetaljerST0103 Brukerkurs i statistikk Høsten Momentestimatoren og sannsynlighetsmaksimeringsestimatoren
ST0103 Brukerkurs i statistikk Høsten 2016 Momentestimatoren og sannsynlighetsmaksimeringsestimatoren (SME) Boka har bare ett eksempel med sannsynlighetsmaksimeringsestimatoren. Vi gjengir dette nedenfor,
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
Detaljer> 6 7 ) = 1 Φ( 1) = 1 0.1587 = 0.8413 P (X < 7 X < 8) P (X < 8) < 7 6 1 ) < 8 6 1 ) = Φ(2) = 0.8413
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side av 7 Oppgave Sykkelruter a) P (Y > 6) P (Y > 6) P ( Y 7 > 6 7 ) Φ( ) 0.587 0.843 b) Hypoteser: H 0 : µ µ 2 H : µ < µ 2
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
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 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
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
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
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
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,
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
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
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,
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren
ÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Kp. 6, del 4 Bjørn H. Auestad Institutt for matematikk og naturvitenskap Universitetet i Stavanger 3. april Bjørn H. Auestad Kp. 6: Hypotesetesting
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.
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 Oppsummering
STK1110 - Oppsummering Geir Storvik 11. November 2015 STK1110 To hovedtemaer Introduksjon til inferensmetoder Punktestimering Konfidensintervall Hypotesetesting Inferens innen spesifikke modeller/problemer
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 Høst 2015
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 8, blokk II Løsningsskisse Oppgave 1 Da komponentene danner et parallellsystem, vil systemet fungere dersom minst
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}
DetaljerForelesning 5: Kontinuerlige fordelinger, normalfordelingen. Jo Thori Lind
Forelesning 5: Kontinuerlige fordelinger, normalfordelingen Jo Thori Lind j.t.lind@econ.uio.no Oversikt 1. Kontinuerlige fordelinger 2. Uniform fordeling 3. Normal-fordelingen 1. Kontinuerlige fordelinger
DetaljerKp. 11 Enkel lineær regresjon (og korrelasjon) Kp. 11 Regresjonsanalyse; oversikt
Bjørn H. Auestad Kp. 11: Regresjonsanalyse 1 / 57 Kp. 11 Regresjonsanalyse; oversikt 11.1 Introduction to Linear Regression 11.2 Simple Linear Regression 11.3 Least Squares and the Fitted Model 11.4 Properties
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)
DetaljerÅMA 110 SANNSYNLIGHETSREGNING MED STATISTIKK Løsningsforslag til regneøving nr. 12 (s. 34)
ÅMA 110 SANNSYNLIGHETSREGNING MED STATISTIKK Løsningsforslag til regneøving nr. s. 34 Oppgave.1 Situasjon betraktes som 7 Bernoulliforsøk; Suksess: dyr velger belønning 1, motsatt fiasko. P suksess = p;
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
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,
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
Detaljerstatistikk, våren 2011
ÅMA110 Sannsynlighetsregning med statistikk, våren 011 Kp. 3 Diskrete tilfeldige variable 1 Diskrete tilfeldige variable, innledning Hva er en tilfeldig variabel (stokastisk variabel)? Diskret tilfeldig
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
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
DetaljerDa vil summen og gjennomsnittet være tilnærmet normalfordelte : Summen: X 1 +X X n ~N(nµ,nσ 2 ) Gjennomsnittet: X 1 +X
Me me me me metallic hvit 4.4: Tilnærming til normalfordeling Tilnærming til normalfordeling: binomisk og Poisson kan tilnærmes v.h.a. normalfordeling under bestemte forhold (ved "mange" delforsøk/hendelser)
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
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
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: Eksamensdag: Torsdag 2. juni 24 Tid for eksamen: 4.3 8.3 Oppgavesettet er på 5 sider. Vedlegg: Tillatte hjelpemidler: STK429
DetaljerLøsningsforslag til obligatorisk oppgave i ECON 2130
Andreas Mhre April 15 Løsningsforslag til obligatorisk oppgave i ECON 13 Oppgave 1: E(XY) = E(X(Z X)) Setter inn Y = Z - X E(XY) = E(XZ X ) E(XY) = E(XZ) E(X ) E(XY) = - E(X ) X og Z er uavhengige, så
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
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
DetaljerL12-Dataanalyse. Introduksjon. Nelson Aalen plott. Page 76 of Introduksjon til dataanalyse. Levetider og sensurerte tider
Page 76 of 80 L12-Dataanalyse Introduksjon Introduksjon til dataanalyse Presentasjonen her fokuserer på dataanalyseteknikker med formål å estimere parametere (MTTF,, osv) i modeller vi benytter for vedlikeholdsoptimering
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
DetaljerKandidatene 4507, 4542, 4545 og 4569 har meget gode besvarelser supert!
MOT 310 Statistiske metoder 1 Løsningsforslag til eksamen høst 2006, s. 1 Flott! Samlet sett leverer dere gode resultater. Kandidatene 4507, 4542, 4545 og 4569 har meget gode besvarelser supert! Totalt
Detaljer