«Best Fit»-linje med usikkerhetsintervall (CI)
|
|
- Frode Iversen
- 7 år siden
- Visninger:
Transkript
1 «Best Fit»-lije med usikkerhetsitervall (CI) v/rue Øverlad, Traior Elsikkerhet AS 1. Iledig Dee artikkele utleder formel for usikkerhetsitervallet CI (Cofidece Iterval) som omslutter e «Best Fit»-lije. CI = Estimert Y ± [ usikkerhetsitervall ] [1] Vi skal vise at de komplette formele vil se slik ut: CI = [bx + a ] ± [ T (α/,v) Hvor: (y i y i ) ( ) 1 + (x X ) (x i x ) ] [] x Vi øsker å bestemme usikkerhetsgreser for dee x-verdi. Dette ka for eksempel være kalibrerigstrykket eller kalibrerigstemperature. x er de uavhegige variabele. b b forteller om stigigstallet til de rette regresjoslije. a a forteller om skjærigspuktet til de rette regresjoslije i Y-akse (år x = 0) T α/,v Studet t-verdie avheger atall datapar som igår i regresjosaalyse. α α forteller om usikkerhetsitervallet: 100(1- α) proset. Normalt er α = 0,0 det vil si at kofidesitervallet er 9 proset. / I Studet t-fuksjoe skal vi ha -sidig usikkerhetsgrese; det vil si, % i hver v y i y i X x i Tabell 1: Symboldefiisjoer ede. Dette er «Degrees of Freedom. I vårt tilfelle har vi to variabler (x og y) og derav er v = - er atall datapar som igår i regresjosaalyse. Summasjosteg. Vi repeterer summasjoe atall gager. Dette er de avleste respose (y-verdie) i dataparet. Dette ka for eksempel være sesorspeig eller istrumetsigal. y er de avhegige variabele (avheger av x-variabele). Dette er de beregede, forvetede resposverdie basert på regresjoslikige og x-verdie vi har valgt. Dette er aritmetisk setralverdi (gjeomsittsverdi) av alle x-verdier ifra dataparee våre. Dette er e idividuell x-verdi i dataparet. «Best Fit»-lije y =bx+a er basert på et sett med datapar. Lije har et rotasjospukt i (X, Y ). Lije har koeffisietee b (stigigstall) og a (a er y-verdi år x = 0). Koeffisiete a har e slik verdi at regresjoslije går gjeom regresjoslijes rotasjospuktet (X, Y ). Side 1
2 Y (avlest verdi [Volt]) x i og estimert y i ("Best Fit"-lije) 6 Best Fit-lije: y = 0,187x + 1, Best Fit-lije CI edre CI Øvre Måleserie (X, Y ) 0 0,0,0 10,0 1,0 0,0,0 X (Påtrykt [Barg]) Figur 1: Grafisk presetasjo av usikkerhetsitervallee (øvre og edre CI) fra Microsoft Excel. «Best Fit»-lije har et rotasjospukt i (X, Y ). I vårt eksempel er e trykksesor kalibrert i fem pukter i området 0 til 0 Barg. Sesore er kalibrert for x 1 = 0 Barg, x = Barg, x 3 = 10 Barg, x 4 = 1 Barg, og x = 0 Barg. x kalles for de uavhegige variabele. For hvert kalibrerigspukt har vi gjort e avlesig (y) av sesorspeige. y kalles de avhegige variabele. Observasjoee fra kalibrerige er lagt i i tabell. X Y Datapar (Barg) (Volt) 0,0 1,0 (x 1,y 1),0, (x,y ) 10,0 3,1 (x 3,y 3) 1,0 3,7 (x 4,y 4) 0,0,0 (x,y ) Tabell : Resposverdier (Y) fra verdier (x).. Populasjo av datasett (Sub-populasjoer) For trykksesore har vi etablert e database for tidligere kalibreriger. Det er etablert subpopulasjoer Y a, Y b, Y c, Y d, og Y e med datasett. Y a (0 Barg, Y 1) Dette er datasett hvor det et påtrykt 0 Barg, med avleste sesorverdier Y 1. Y b ( Barg, Y ) Dette er datasett hvor det et påtrykt Barg, med avleste sesorverdier Y. Y c (10 Barg, Y 3) Dette er datasett hvor det et påtrykt 10 Barg, med avleste sesorverdier Y 3. Y d (1 Barg, Y 4) Dette er datasett hvor det et påtrykt 1 Barg, med avleste sesorverdier Y 4. Y e (0 Barg, Y ) Dette er datasett hvor det et påtrykt 0 Barg, med avleste sesorverdier Y. Side
3 Figur : Vi teker oss e populasjo (rødt område som vi for eksempel ka avgi Y). I dette eksemplet har vi fordelt dataparees y-verdier (elemetee) på sub-populasjoer/utvalg (orasje områder. Sub-populasjoee er avgitt Y a, Y b, Y c, Y d, og Y e. For hver sub-populasjo ka vi berege de aritmetiske setralverdie for respose. For eksempel for subpopulasjo Y a. U = y a(1)+ y a() y a(n) a N = N y a(i) N Vi summerer alle resposverdier (y a(i) ) i e sub-populasjo og dividerer med atall elemeter (N) i sub-populasjoe for å bestemme de aritmetiske setralverdie i sub-populasjoe (U ). a [3] De aritmetiske setralverdie i sub-populasjoe (U ) a er vurdert til å være de ekeltverdi som best represeterer e gruppe av verdier. Vi er i et dilemma. For e sub-populasjo skal vi ha uedelig mage (N ) med datapar. I praksis er dette umulig. Sub-populasjoe består kaskje av et par hudre eller tuse datapar. I praksis ka vi derfor ikke med 100 proset sikkerhet si at de kalkulerte setralverdie vi har fuet, er setralverdie for sub-populasjoe, me heller er setralverdie for utvalget. Estimert aritmetisk setralverdi for sub-populasjo Y a: E(U ) a = y 1+ y y = y i Uasett, vi plotter våre fem setralverdier i i et diagram (figur 3). Vi trekker e rett lije gjeom setralverdiee. I figur 3 ka vi teoretisk omtale dette som e Populasjoskarakteristikk. Me, i praksis burde vi sakke om e Utvalgskarakteristikk. [4] Side 3 3. «Kosmisk støy» Vår trykksesor har korrelasjo mellom trykk (kalt x-verdi) og sigalrespos (kalt y-verdi). Sekudært har istrumetet flere midre korrelasjoer som vi ikke har kotroll på. Dette ka være i hvilke grad sesorrespose er temperaturavhegig, i hvilke grad sesorrespose er avhegig av stabilitete på krafttilførsel, i hvilke grad istrumetet reagerer på elektromagetisk iterferes (EMC/EMI), i hvilke grad istrumetet reagerer på vibrasjoer og så videre. Så selv om vi holder kalibrerigstrykket stabilt, for eksempel 10,0 Barg, så vil vi likevel over tid observere e sigalrespos som varierer oe. I de videre diskusjo kaller jeg dee variasjoe for «kosmisk støy».
4 Y (avlest verdi [Volt]) s ε 0 «Kosmisk støy» s ε Figur 3: «Kosmisk støy» som gjør at istrumetrespose Y varierer til tross for at de påtrykte verdie (x) er kostat. Vi atar at dee variasjoe er ormaltfordelt (Gauss-kurve). De har variase Var( ). Vi ka beskrive et usikkerhetsitervall s ε for de «kosmiske» støye. Variasjoe er symmetrisk rudt de lokale 0-verdie. «Kosmisk støy» er ormalfordelt, med setralverdi = 0 ε = 0 [] Variase for de «kosmiske» støye er: Var ( ) = ( 1 ε ) + ( ε ) ( ε ) [6] Stadardavviket for de «kosmiske støye» er kvadratrote av variasuttrykket: s ε = Var ( ) = ( i ) ( ) [7] NB: Det er viktig å legge merke til at for e gitt x i-verdi, er variasjoe i respose y i (Var (y i)) lik variasjoe for de «kosmiske støye» Var ( ). 6 x i og estimert y i ("Best Fit"-lije) Best Fit-lije: y = 0,187x + 1, Populasjoskarakteristikk Best Fit-lije Måleserie Setralverdi for subpopulasjo 0 0,0,0 10,0 1,0 0,0,0 X (Påtrykt [Barg]) Figur 4: Populasjoskarakteristikk (rød stiplet strek) og «Best Fit»-lije (basert på et tilfeldig uttrekk av datapar som i vist i tabell (sorte prikker)) fra hver av de fem sub-populasjoee (med si lokale setralverdi røde prikker). Side 4
5 4. Populasjoes hypotetiske likig Vi forutsetter i de videre diskusjo av at populasjoe har e lieær karakteristikk som ka beskrives slik: U Y x =βx+α [8] Populasjoskarakteristikke er e rett lije med stigigstallet β, hvor lije skjærer y-akse i α. Dee har jeg teget i i figur 3 som e stiplet rød strek. Det bemerkes at dette er e hypotetisk tekt lije. Vi ka aldri vite med sikkerhet hvor dee ligger, me vi vet at dee lije fis. De «kosmiske» støye ( ) er uavhegig av x-verdie (se figur 3), og vil igå i resposkarakteristikke. U Y x =βx+α + [9] -parametere er/har ikke é fast verdi. De varierer i størrelse for hver gag vi avleser et datapar [x i,(y i+ )]. Variasjoe i figur 3 og 4, her det orasje området, ka tilsvarede i figur assosieres som variasjo i områdee Y a, Y b, Y c, Y d, og Y e.. Lieær regresjo I figur 3 er det teget i é lieær regresjoslije (grø heltrukke strek). Dee er bereget ut i fra et tilfeldig tallsett fra de fem sub-populasjoee. I dette tilfellet har vi fem følgede datapar (se tabell ). Dataparee er teget i som sorte prikker i figur 1 og 4. Me, hva hvis vi hadde trukket ut/avlest adre Y-verdier år vi gjorde kalibrerige av istrumetet? Jo, da ville vi selvfølgelig kalkulert e regresjoslije med adre koeffisieter b og a. I og med «kosmisk støy» ( ), må vi tilsvarede kostruere et usikkerhetsitervall (CI Cofidece Iterval). Dette itervallet skal fortelle oss at vi med 9 proset sikkerhet forveter å fie «Best Fit»-lije. Side
6 Y (respos) Med adre ord, koeffisietee b og a har et usikkerhetsitervall kyttet til seg. I dee artikkele skal jeg å vise uttrykket for disse. 6 x i og estimert y i ("Best Fit"-lije) 4 3 y Y a (X, Y ) b (x i, y ) i (X i = x i X ) (Y i = y i Y ) Best Fit-lije 1 0 X x i 0,0,0 10,0 1,0 0,0,0 x Figur : Grafisk fremstillig av rotasjospuktet (X, Y ), og koeffisietee b og a for de rette regresjoslije ŷ =bx+a. [10] Vi skal seere i dee artikkele vise at regresjoslije har et rotasjospukt i (X, Y ). Vi har tidligere sakt at de ekeltverdi for best represeterer e gruppe er de aritmetiske setralverdie. I vårt tilfelle ka vi aturlig forklare hvorfor resposverdie for (x i ) var y i og ikke Y. De ekle årsake er sesorkarakteristikke mellom de uavhegige variabele x og de avhegige variabele y. Vi sakker om det forklarlige residual. Avviket mellom y i og Y har e aturlig forklarig gruet istrumetkarakteristikke, og ka bereges. For e tilfeldig x-verdi (x i ) ka vi berege de forvetede resposverdie (y ). Et utgagpukt for å berege de forvetede y i er å bruke regresjoslikige. Ulempe er at eå ikke kjeer a- verdie. Me, dee gage tar vi utgagspukt i rotasjospuktet for lije. Vi har å alterativ måte å berege de forvetede resposverdie (for det orasje puktet): y i = Y + b(x i - X ) [11] Fordele med dee likige [11] i stedet for y =bx+a, er at å har vi «kvittet oss med» a- koeffisiete i likige. Vi har å ku é variabel utfordrig; b. Vi forutsetter at våre påtrykte trykkverdier (x-verdier) er øyaktige (x-verdie er ikke beheftet med varias). Side 6
7 Y (respos). Variasjo i avlest resposverdi (Y i ) og forvet resposverdi (y i) x i og estimert y i ("Best Fit"-lije) 6 y i 4 3 y Y R i = Residual = (y i y ) i (X, Y ) b (x i, y i ) (x i, y ) i Best Fit-lije 1 a 0 0,0,0 10,0 X x i 1,0 0,0,0 x Figur 6: For på påtrykte x-verdie (x i ) har vi her et avvik mellom de forvetede resposverdie (y i) og de faktiske avleste resposverdie (y i). Me, vår observasjo (y i ) lå ikke på de forvetede respose (y i). Dette skyldes «kosmisk støy». Ja, vi har e aturlig forklarig på avviket mellom (y i ) og (y i), me vi har ige muligheter for å berege dee på forhåd. Vi vet at de avleste verdie (y i ) har e fordelig som vist i figur 3. Vi bereger det uforklarlige Residual for våre fem datapar fra tabell (x 1, y 1 ), (x, y ), (x 3, y 3 ), (x 4, y 4 ), og (x, y ). Matematisk uttrykker vi variase for de uforklarlige Residual slik for våre datapar: S = (Residual i ) = (y i y i) [1] Vi erstatter y i med [Y + b(x i - X )], og får S = (y i [Y + b(x i X ]) [13] Vi rydder litt i likige, og får S = ([y i Y] + b[x i X ]) [14] Vi setter y i Y = Y i x i X = X i Y i er total residual for et pukt. Avvik mellom observasjo (y i ) og setralverdie (Y ). X i er edrige som gjøres fra påvirkigspuktet (x i ) og setralverdie (X ). [1] [16] Side 7
8 Y i = Total Residual = Forklarlig Residual + Uforklarlig Residual = (y i Y ) + (y i y i) = y i Y [17] Vi skal å beskrive variasutrykket slik: S = ([y i Y] b[x i X ]) S = (Y i bx i ) [18] [19] Vi øsker å bestemme e «Best Fit»-lije med de miste verdi på S, det vil si med mist variasjo. Dette fier vi å derivere fuksjoe S og sette det deriverte uttrykket lik Bestemme utrykk for koeffisiete b For å lettere komme frem til det deriverte uttrykket av S, bruker vi kjereregele. = dk db dk db [0] Vi defierer kjereuttrykket: K = Y i bx i [1] Vi ka å skrive variasjosuttrykket [19] slik: S = (K) [] Kjereregele sier at vi skal derivere fuksjoe med hesy til kjere ( ), og multipliserer dette dk med de deriverte av kjere ( dk ). db Vi gjør altså derivasjoe av S i to etapper. Vi deriverer fuksjoe med hesy til kjere: = dk (K) 1 = (K) 1 = K Vi deriverer kjere med hesy til b: dk = d(y i bx i ) = 0-1X db db i b 1 1 = X i b 0 = X i 1 = X i [3] [4] Når vi gjør partiell derivasjo med hesy til b, er X i og Y i å betrakte som kostater. Og, deres deriverte er derfor 0. Vi setter samme uttrykkee, slik at vi ka bestemme de deriverte av S med hesy på b, slik = dk = [ K db dk db ] [ X i ] = (Y i bx i ) [ X i ] = ( X i Y i + bx i ) Vi er iteressert å bestemme de b-verdi som gjør det deriverte uttrykket lik 0. db = 0 ( X i Y i + bx i ) = 0 Vi dividerer vestre og høyre side med. [] [6] [7] Side 8
9 ( X i Y i +bx i ) = 0 ( X i Y i + bx i ) = 0 [8] [9] Vi løser opp paretese, og får: ( X i Y i ) + b (X i ) = 0 Vi rydder litt til, og løser dette med hesy til b, og får b (X i ) = (X i Y i ) Vi dividerer med (X i ) på vestre og høyre side, og får: b= (X iy i ) (X i ) = Kovarias (X,Y) Varias(X) [30] [31] [3] Stigigstallet b for de lieære regresjoslije forholdet mellom fuksjoe Kovarias for dataparee og variase av de påtrykte verdie. Figur 7: Skjermdump fra Microsoft Excel I Microsoft Excel ka vi bruke fuksjoe =KOVARIANS.S(A6:B10) for våre datapar (celle A11). Og, tilsvarede =VARIANS.S(A6:A10) for å bestemme variase (celle B11). 7. Bestemme usikkerhetsitervall (stadard avvik) for uttrykket b Side b= (X iy i ) (X i ) ka vi kalkulere variase av b slik: Var (b) = Var ( (X iy i ) ) (X i ) Side vi atar at alle x-verdier ikke er beheftet med variasjoer, ka vi derfor uttrykke disse som kostater. Vi ka derfor omskrive utrykket over til å bli slik: Var (b) = Var ( (X iy i ) )= 1 (X i ) ( (X i )) (X i Y i ) [33] [34] Side 9
10 Og husk at fuksjoe Var er å ta kvadratet av uttrykket, så år vi trekker ut kostater ( (X i ) fra uttrykket, skal uttrykket ( X i ) kvadreres! Videre, vi har at uttrykket Var ( (X i Y i )) ka skrives slik: Var ( (X i Y i )) = Var (X 1 Y 1 + X Y X Y ) Igje betrakter vi x-verdier som kostater og ka trekkes ut av paretese. Og husk at fuksjoe Var er å ta kvadratet av uttrykket, så år vi trekker ut kostater ut av uttrykket, skal disse kvadreres! Var ( (X i Y i )) = Var (X 1 Y 1 + X Y X Y ) = X 1 Var(Y 1 ) + X Var(Y ) X Var(Y ) [3] [36] Fra figur 4, som tok for seg «Kosmisk støy», sa vi at variasjosområdet for gjelder for alle x-verdier. I dette tilfellet ka vi derfor sette: Var(Y 1 ) = Var(Y ) =... = Var(Y ) = Variasjo av «kosmisk støy» = (σ ) = (σ Residual ) [37] Vi har med adre ord é felles varias for residual y, og vi erstatter det oveevte uttrykket med (σ ) = (σ Residual ). Var ( (X i Y i )) = X 1 Var(Y 1 ) + X Var(Y ) X Var(Y ) = (X 1 + X...+ X ) (σ ) Var ( (X i Y i )) = ( X i ) (σ ) Vi går tilbake til utrykket for Var(b), og får Var (b) = Var ( (X iy i ) X i ) = Var (b) = ( X i ) (σ ( X i ) ) = 1 ( (X i )) (σ ) X i Var ( (X i Y i ) ) = 1 ( (X i )) ( X i ) (σ ) Fra tidligere hadde vi X i = [x i X ]. Alterativ måte i beskrive variase til b på er slik: Var (b) = (σ ) X i = (σ ) (x i X ) [38] [39] [40] [41] [4] Estimatet for stadardavviket for stigigskoeffisiete b (s b ) i e lieær regresjo er kvadratrote av variasuttrykket: s b = Var(b) = (σ ) (x i X ) = (σ ) (x i X ) = s (x i X ) = Stadardusikkerhet for Residual (x i X ) [43] Vi treger med adre ord å berege stadard usikkerhet for residual, og dividere med kvadratrote av summe av de kvadrerte x-differase. 8. Bestemme stadard usikkerhet for y. Usikkerhetsitervallet for estimert gjeomsitt ka å bereges. Usikkerhete ka bereges med Var(y ). Vi vet at estimert y ved x-verdie ka uttrykkes slik: y = Y + b(x - X ) [44] Side 10
11 Vi brukes samme varias-teorem som tidligere. Var (y ) = Var (Y + b(x - X )) [4] Vi betrakter (x - X ) som e kostat. Vi løser opp Var-paretese Var (y ) = Var (Y ) + [(x X ) Var(b)] [46] Det første deluttrykket i Var (y ) er Var (Y ). Vi har at setralverdie av y er summe av alle y i delt på atall y-verdier. Y = Vi har å yi Var (Y ) = Var ( Fra før har vi at: Var (b) = y i (σ ) (x i X ) ) = 1 Var ( y i) = 1 ( (σ ) ) = (σ ) [47] [48] [49] Nå har vi: Var (y ) = Var (Y ) + [(x X ) Var(b)] = (σ ) + [(x X ) (σ ) (x i X ) ] [0] Vi rydder i ligige: Var (y ) = (σ ) ( 1 + (x X ) (x i X ) ) [1] Stadard usikkerhet for estimert y (y ) er kvadratrote av varias-uttrykket: s y = Var(y ) = (σ ) ( 1 + (x X ) (x i X ) ) = s 1 + (x X ) (x i X ) [] 9. CI (Cofidece Iterval) Ved forsøk som ikluderer 30 eller færre datapar, bør vi bruke Studet t-faktor for å ta hesyet til små sub-populasjoer. I vårt tilfelle har vi fem sub-populasjoer. T-verdie ka vi fie i tabeller, eller la Excel berege dee for oss. T (α/,v) [3] Kofidesitervallet er 100(1- α). α har verdie (0,0) = proset, i og med vi er på jakt etter usikkerhetsitervallet 9 %. Usikkerhete % skal fordeles på to sider (/ «tail»). Parametere v er «Degrees of Freedom). v = [4] Vi har = datapar, og subtraherer med verdie i og med vi har variabler (x- og y-parametere). Excel-fuksjo: =T.INV.T(0,0;3) [] Side 11
12 Y (avlest verdi [Volt]) Setter vi det hele samme CI = [«Best Fit»-lije] ± [ usikkerhetsitervall ] CI = y ± [ T (α/,v) (y i y i Vårt datagrulag for lieær regresjo: Påtrykt Avlest Datapar ( ) X Y (BarG) (Volt) 0,0 1,0 (x 1,y 1),0, (x,y ) 10,0 3,1 (x 3,y 3) 1,0 3,7 (x 4,y 4) 0,0,0 (x,y ) Tabell 3: Datapar vi fikk ved kalibrerig av trykksesor 6 ) 1 + (x X ) (x i x ) x i og estimert y i ("Best Fit"-lije) ] [6] [7] Best Fit-lije: y = 0,187x + 1, Best Fit-lije CI edre CI Øvre Måleserie 1 0 0,0,0 10,0 1,0 0,0,0 X (Påtrykt [Barg]) Figur 8: Grafisk presetasjo fra Microsoft Excel på datapar, «Best Fit»-lije med usikkerhetsitervall. Neste kalibrerigskurve («Best Fit»-lije) skal med 9 proset sasylighet ligge iefor evte «Cofidece Itervall». Det er proset sjase for at de este «Best Fit»-lije vil ligge utefor «Cofidece Iterval». Da det er lite sasylighet for at este «Best Fit»-lije skal ligge utefor «Cofidece Iterval», og vi bør være varsom med å godkjee/ta i bruk e slik «Best Fit»-lije. Iallfall må vi øye udersøke hvorfor vår este «Best Fit»-lije havet på utside av «Cofidece Iterval». Det ka være at e Side 1
13 eller flere av dataparee iehar feil kyttet til seg, oe som gjør «Best Fit»-lije til e ekstremverdi/»uteligger». 10. Koeffisiete a Basert på et datasett (x i, y i ) skal vi berege e Best Fit»-lije basert på lieær regresjo y i = bx i + a [8] slik at summe av kvadratet av residualee S = (Residual i ) = (y i y i) blir mist mulig. Vi erstatter y i med [bx i + a] og får S = (y i [bx i + a]) [9] Vi løser opp firkatparetese: S = (y i bx i a) For å lettere komme frem til det deriverte uttrykket av S med hesy til a, bruker vi kjereregele. = dk da dk da [60] Vi defierer kjereuttrykket: K = y i bx i a [61] Vi ka å skrive S slik: S = (K), år K = y i bx i a [6] Kjereregele sier at vi skal derivere fuksjoe S med hesy til kjere K; ( ), og multipliserer dk dette med de deriverte av kjere K med hesy til a-variabele; ( dk ). da Vi gjør altså derivasjoe av S i to etapper. Vi deriverer fuksjoe med hesy til kjere: = dk (K) 1 = (K) 1 = K Vi deriverer kjere (y i bx i a) med hesy til a: dk = d(y i bx i a) = a 1 1 = -a 0 = -1 da da [63] [64] x i og y i betraktes som kostater år vi gjør partiell derivasjo med hesy til a. Og, de deriverte av x i og y i blir derfor 0. Vi setter samme uttrykkee, slik at vi ka bestemme de deriverte av S med hesy på a, slik = dk = [ K da dk da ] [-1] = [ (y i bx i a) ] [-1] = - (y i bx i a) [6] Side 13
14 Vi løser opp paretese = - (y da i bx i a) = - y i +b x i + a Vi ka erstatte deler av de to første uttrykkee, da summe av alle y er lik atall multiplisert med setralverdie Y [67]. Tilsvarede; summe av alle x er lik atall multiplisert med setralverdie X [68]. y i = Y x i = X Derivasjoslikige [66] ka å skrives på forme [66] [67] [68] da = -Y +bx +a [69] Vi er iteressert å bestemme de a-verdi som gjør det deriverte uttrykket [69] lik 0. da = 0 -Y +bx +a = 0 [70] [71] (-) er felles for alle ledd i [71], og vi setter - utefor paretese -(Y -bx - a) = 0 [7] Vi dividerer vestre og høyre side [7] med -. (Y bx a) = 0 Y bx a = 0 Vi rydder litt til, og kommer frem til vårt sluttuttrykk for a: [73] [74] [7] a = Y - bx Dee likige forteller oss at kostate a settes slik at regresjoslije må gå gjeom setralverdiee for X og Y. Dette gir meig da dette puktet (X,Y ) utgjør det sigle dataparet som best represeterer alle datapar som vi har «trukket» ut av sub-populasjoee. [76] Med velig hilse Traior Elsikkerhet AS Rue Øverlad Seiorigeiør Tøsberg april 01 Side 14
Er neste datapar ved kalibrering en ekstremverdi som skal forkastes?
Er este datapar ved kalibrerig e ekstremverdi som skal forkastes? v/rue Øverlad, Traior Elsikkerhet AS 1. Iledig Dee artikkele utleder formel for usikkerhetsitervallet PI (Predictio Iterval) som omslutter
Detaljer«Uncertainty of the Uncertainty» Del 4 av 6
«Ucertaity of the Ucertaity» Del 4 av 6 v/rue Øverlad, Traior Elsikkerhet AS Iledig Dette er del fire i artikkelserie om «Ucertaity of the Ucertaity». I dag skal jeg vise deg utledige av formele: σ m s,
Detaljer«Uncertainty of the Uncertainty» Del 5 av 6
«Ucertaity of the Ucertaity» Del 5 av 6 v/rue Øverlad, Traior Elsikkerhet AS Dette er femte del i artikkelserie om «Ucertaity of the Ucertaity». Jeg skal vise deg utledig av «Ucertaity of the Ucertaity»-formele:
DetaljerLineær regresjonsanalyse (13.4)
2 Kap. 13: Lieær korrelasjos- og regresjosaalyse ST0202 Statistikk for samfusvitere Bo Lidqvist Istitutt for matematiske fag Kap. 13.1-13.3: Lieær korrelasjosaalyse. Disse avsitt er ikke pesum, me de lieære
DetaljerOppgave 1 a) Minste kvadraters metode tilpasser en linje til punktene ved å velge den linja som minimerer kvadratsummen. x i (y i α βx i ) = 0, SSE =
Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Abefalte oppgaver 2, blokk II Løsigsskisse Oppgave a Miste kvadraters metode tilpasser e lije til puktee ved å velge de lija som
DetaljerIntroduksjon. Hypotesetesting / inferens (kap 3) Populasjon og utvalg. Populasjon og utvalg. Populasjonsvarians
Hypotesetestig / iferes (kap ) Itroduksjo Populasjo og utvalg Statistisk iferes Utvalgsfordelig (samplig distributio) Utvalgsfordelige til gjeomsittet Itroduksjo Vi øsker å få iformasjo om størrelsee i
DetaljerECON240 Statistikk og økonometri
ECON240 Statistikk og økoometri Arild Aakvik, Istitutt for økoomi 1 Mellomregig MKM Model: Y i = a i + bx i + e i MKM-estimator for b: b = = Xi Y i 1 Xi Yi Xi 1 ( X i ) 2 (Xi X)(Y i Ȳi) (Xi X) 2 hvor vi
DetaljerTMA4240 Statistikk Høst 2016
Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Abefalt øvig 2 Løsigsskisse Oppgave a Miste kvadraters metode tilpasser e lije til puktee ved å velge de lija som miimerer kvadratsumme
DetaljerMer om utvalgsundersøkelser
Mer om utvalgsudersøkelser I uderkapittel 3.6 i læreboka gir vi e kort iførig i takegage ved utvalgsudersøkelser. Vi gir her e grudigere framstillig av temaet. Populasjo og utvalg Ved e utvalgsudersøkelse
DetaljerTMA4245 Statistikk Vår 2015
TMA4245 Statistikk Vår 2015 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer 12, blokk II Oppgave 1 Kari har ylig kjøpt seg e y bil. Nå øsker hu å udersøke biles besiforbruk
DetaljerLøsningsforslag til eksamen i STK desember 2010
Løsigsforslag til eksame i STK0 0. desember 200 Løsigsforslaget har med flere detaljer e det vil bli krevd til eksame. Oppgave a Det er tilpasset e multippel lieær regresjosmodell av forme β 0 + β x i
DetaljerTMA4245 Statistikk Eksamen mai 2017
TMA445 Statistikk Eksame mai 07 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Løsigsskisse Oppgave a Når vi reger ut disse tre sasylighetee må ma huske på at de mulige verdiee
DetaljerTMA4240 Statistikk Høst 2015
TMA4240 Statistikk Høst 2015 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer 12, blokk II I dee siste øvige fokuserer vi på lieær regresjo, der vi har kjete kovariater
DetaljerTALLSVAR. Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i << >>.
1 ECON130: EKSAMEN 013 VÅR - UTSATT PRØVE TALLSVAR. Det abefales at de 9 deloppgavee merket med A, B, teller likt uasett variasjo i vaskelighetsgrad. Svaree er gitt i
Detaljer5 y y! e 5 = = y=0 P (Y < 5) = P (Y 4) = 0.44,
Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Abefalte oppgaver 9, blokk II Løsigsskisse Oppgave a) Vi lar her Y være atall fugler som kolliderer med vidmølla i løpet av de gitte
DetaljerLØSNINGSFORSLAG TILEKSAMEN I FAG TMA4240/TMA4245 STATISTIKK 10. august 2005
Norges tekisk aturviteskapelige uiversitet Istitutt for matematiske fag Side av 8 LØSNINGSFORSLAG TILEKSAMEN I FAG TMA440/TMA445 STATISTIKK 0. august 005 Oppgave Smeltepuktsbestemmelse a) Vi jobber i dette
Detaljer211.7% 2.2% 53.0% 160.5% 30.8% 46.8% 17.2% 11.3% 38.7% 0.8%
Prøve-eksame II MET 1190 Statistikk Dato 31. mai 2019 kl 1100-1400 Alle svar skal begrues. Når besvarelse evalueres, blir det lagt vekt på at framgagsmåte og resultat preseteres så klart, presist og kortfattet
DetaljerSignifikante sifre = alle sikre pluss ett siffer til
Sigifikate siffer og stadardavvik behadles i kap. Disse to emee skal vi ta for oss i dag. Kofidesgreser behadles i kap 4. Dette skal vi ta for oss i osdag. Presetasjo av aalysedata ka gjøres på følgede
DetaljerLØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4245 STATISTIKK 6.august 2004
Norges tekisk aturviteskapelige uiversitet Istitutt for matematiske fag Side av 0 LØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4245 STATISTIKK 6.august 2004 Oppgave Midtveiseksame a) X er e stokastisk variabel
DetaljerEKSAMEN. Oppgavesettet består av 5 oppgaver, hvor vekten til hver oppgave er angitt i prosent i oppgaveteksten. Alle oppgavene skal besvares.
EKSAMEN Emekode: SFB12003 Eme: Metodekurs II: Samfusviteskapelig metode og avedt statistikk Dato: 2.6.2014 Eksamestid: kl. 09.00 til kl. 13.00 Hjelpemidler: Kalkulator Faglærer: Bjørar Karlse Kivedal Eksamesoppgave:
DetaljerForkunnskaper i matematikk for fysikkstudenter. Derivasjon.
Defiisjo av derivert Vi har stor ytte av å vite hvor raskt e fuksjo vokser eller avtar Mer presist: Vi øsker å bestemme stigigstallet til tagete til fuksjosgrafe P Q Figure til vestre viser hvorda vi ka
DetaljerOppgaver fra boka: X 2 X n 1
MOT30 Statistiske metoder, høste 00 Løsiger til regeøvig r 3 (s ) Oppgaver fra boka: 94 (99:7) X,, X uif N(µ, σ ) og X,, X uif N(µ, σ ) og alle variable er uavhegige Atar videre at σ = σ = σ og ukjet Kodesitervall
DetaljerRepetisjon; 9.1, 9.2, 9.3, 9.4, 9.5, og Repetisjon; 9.1, 9.2, 9.3, 9.4, 9.5, og 9.10
Repetisjo; 9.1, 9.2, 9.3, 9.4, 9.5, og 9.10 og Geerell defiisjo av : Situasjo: Data x 1,...,x ;utfallav:x 1,...,X ; u.i.f. tilfeldige variable Ukjet parameter i fordelige til X i ee: θ Dersom L og U L
DetaljerEksamen REA3028 S2, Våren 2011
Eksame REA08 S, Våre 0 Del Tid: timer Hjelpemidler: Valige skrivesaker, passer, lijal med cetimetermål og vikelmåler er tillatt. Oppgave (8 poeg) a) Deriver fuksjoee ) f 5 f 6 5 ) g g ) h l 9 9 6 4 h l
DetaljerMOT310 Statistiske metoder 1, høsten 2011
MOT310 Statistiske metoder 1, høste 2011 Bjør H. Auestad Istitutt for matematikk og aturviteskap Uiversitetet i Stavager 24. august, 2011 Bjør H. Auestad Itroduksjo og repetisjo 1 / 32 Repetisjo; 9.1,
DetaljerKapittel 8: Estimering
Kaittel 8: Estimerig Estimerig hadler kort sagt om hvorda å aslå verdie å arametre som,, og dersom disse er ukjete. like arametre sier oss oe om oulasjoe vi studerer (dvs om alle måliger av feomeet som
DetaljerKalibreringskurver; på jakt etter statistisk signifikante datapar
Kalibreringskurver; på jakt etter statistisk signifikante datapar v/rune Øverland, Trainor Elsikkerhet A/S Den siste artikkelen om kalibrering og statistikk tar for seg praktisk bruk av Microsoft Excel
DetaljerLØSNING: Eksamen 28. mai 2015
LØSNING: Eksame 28. mai 2015 MAT110 Statistikk 1, vår 2015 Oppgave 1: revisjo ) a) Situasjoe som beskrives i oppgave ka modelleres med e ure. I dee ure er fordelige kjet, M atall bilag med feil og N 100
DetaljerLøsningsforslag ST1101/ST6101 kontinuasjonseksamen 2018
Løsigsforslag ST/ST6 kotiuasjoseksame Oppgave a Defier hedelsee R, B, B rød kule i første trekig, blå kule i adre trekig, blå kule i tredje trekig. Vi skal fie PR B B for to ulike situasjoer. Geerelt vet
DetaljerLØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4240 STATISTIKK 5.august 2004
Norges tekisk aturviteskapelige uiversitet Istitutt for matematiske fag Side av 0 LØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4240 STATISTIKK 5.august 2004 Oppgave Foruresig X er e stokastisk variabel som agir
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2007 Kp. 6, del 5. Hypotesetesting, del 5
ÅMA11 Sasylighetsregig med statistikk, våre 7 Kp. 6, del 5 Bjør H. Auestad Istitutt for matematikk og aturviteskap Uiversitetet i Stavager 26. mars Bjør H. Auestad Kp. 6: Hypotesetestig del 5 1/ 59 Bjør
DetaljerKap. 9: Inferens om én populasjon. Egenskaper ved t-fordelingen. ST0202 Statistikk for samfunnsvitere. I Kapittel 8 brukte vi observatoren
2 Kap. 9: Iferes om é populasjo I Kapittel 8 brukte vi observatore z = x μ σ/ for å trekke koklusjoer om μ. Dette krever kjet σ (urealistisk). ST0202 Statistikk for samfusvitere Bo Lidqvist Istitutt for
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-aturviteskapelige fakultet Eksame i: STK2100 Løsigsforslag Eksamesdag: Torsdag 14. jui 2018. Tid for eksame: 14.30 18.30. Oppgavesettet er på 6 sider. Vedlegg: Tillatte
DetaljerKonfidensintervall. Notat til STK1110. Ørnulf Borgan, Ingrid K. Glad og Anders Rygh Swensen Matematisk institutt, Universitetet i Oslo.
Kofidesitervall Notat til STK1110 Ørulf Borga, Igrid K. Glad og Aders Rygh Swese Matematisk istitutt, Uiversitetet i Oslo August 2007 Formål E valig metode for å agi usikkerhete til et estimat er å berege
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren Kontinuerlige tilfeldige variable, intro. Kontinuerlige tilfeldige variable, intro.
ÅMA Sasylighetsregig med statistikk, våre 6 Kp. 4 Kotiuerlige tilfeldige variable og ormaldelige Kotiuerlige tilfeldige variable, itro. (eller: Kotiuerlige sasylighetsdeliger) Vi har til å sett på diskrete
DetaljerOppgave 1 Hardheten til en bestemt legering er undersøkt med åtte målinger og resultatene ble (i kg/mm 2 ) som i tabellen til høyre.
EKSAMEN I: ÅMA110 SANNSYNLIGHETSREGNING MED STATISTIKK VARIGHET: 4 TIMER DATO: 28. AUGUST 2010 BOKMÅL TILLATTE HJELPEMIDLER: KALKULATOR: HP30S, Casio FX82 eller TI-30 OPPGAVESETTET BESTÅR AV 3 OPPGAVER
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2008 Kp. 6, del 5
ÅMA110 Sasylighetsregig med statistikk, våre 2008 Kp. 6, del 5 Bjør H. Auestad Istitutt for matematikk og aturviteskap Uiversitetet i Stavager 3. april Bjør H. Auestad Kp. 6: Hypotesetestig del 5 1/ 56
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Kp. 6, del 5
ÅMA110 Sasylighetsregig med statistikk, våre 2006 Kp. 6, del 5 Bjør H. Auestad Istitutt for matematikk og aturviteskap Uiversitetet i Stavager 3. april Bjør H. Auestad Kp. 6: Hypotesetestig del 5 1 / 56
DetaljerKap. 9: Inferens om én populasjon
2 ST0202 Statistikk for samfusvitere Bo Lidqvist Istitutt for matematiske fag Ka. 9: Iferes om é oulasjo Hvis σ er ukjet bytter vi ut σ med s i Ny observator blir t = x μ s/ z = x μ σ/ der s = Σx 2 (Σx)
DetaljerOM TAYLOR POLYNOMER. f x K f a x K a. f ' a = lim x/ a. f ' a z
OM TAYLOR POLYNOMER I dette otatet, som utfyller avsitt 6. i Gullikses bok, skal vi se på Taylor polyomer og illustrere hvorfor disse er yttige. Det å berege Taylor polyomer for håd er i prisippet ikke
DetaljerTMA4240 Statistikk Høst 2009
TMA440 Statistikk Høst 009 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer b4 Løsigsskisse Oppgave Øsker å fie 99% kofidesitervall for µ µ år vi atar ormalfordeliger
DetaljerKLMED8004 Medisinsk statistikk. Del I, høst Estimering. Tidligere sett på. Eksempel hypertensjon
Tidligere sett på KLMED8004 Medisisk statistikk Del I, høst 008 Estimerig Hvorda kjete sasylighetsfordeliger (biomialfordelig, ormalfordelig) med kjete populasjosparametrer (forvetig, varias osv.) ka gi
DetaljerTMA4245 Statistikk Eksamen 9. desember 2013
Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag TMA4245 Statistikk Eksame 9. desember 2013 Oppgave 1 I kortspillet Blackjack får ma de høyeste geviste hvis de to første kortee ma
DetaljerForventningsverdi. MAT0100V Sannsynlighetsregning og kombinatorikk
MAT0100V Sasylighetsregig og kombiatorikk Forvetigsverdi Sasylighetsfordelige til e tilfeldig variabel X gir sasylighete for de ulike verdiee X ka ata Forvetig, varias og stadardavvik Tilærmig av biomiske
DetaljerTMA4240 Statistikk Høst 2016
Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Abefalt øvig 8 Løsigsskisse Oppgave 1 a) Simuler 1000 datasett i MATLAB. Hvert datasett skal bestå av 100 utfall fra e ormalfordelig
DetaljerForelesning Moment og Momentgenererende funksjoner
ushu.li@uib.o Forelesig + 3 Momet og Mometgeererede fuksjoer 1. Oppsummerig til Forelesig 1 1.1) Fuksjoe av S.V: hvis variabele er e fuksjo (trasformasjo) av S.V. : g( ), da er også e S.V.: til ethvert
DetaljerH 1 : µ 1 µ 2 > 0. t = ( x 1 x 2 ) (µ 1 µ 2 ) s p. s 2 p = s2 1 (n 1 1) + s 2 2 (n 2 1) n 1 + n 2 2
TMA4245 Statistikk Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer b4 Løsigsskisse Oppgave 1 Vi øsker å fie ut om et ytt serum ka stase leukemi. 5 mus får serumet, 4
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren Kontinuerlige tilfeldige variable, intro. Kontinuerlige tilfeldige variable, intro.
ÅMA0 Sasylighetsregig med statistikk, våre 008 Kp. 4 Kotiuerlige tilfeldige variable; Normalfordelig Kotiuerlige tilfeldige variable, itro. (eller: Kotiuerlige sasylighetsfordeliger) Vi har til å sett
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2007
ÅMA0 Sasylighetsregig med statistikk, våre 007 Kp. 4 Kotiuerlige tilfeldige variable; Normalfordelig Kotiuerlige tilfeldige variable, itro. (eller: Kotiuerlige sasylighetsfordeliger) Vi har til å sett
DetaljerTMA4240 Statistikk Eksamen desember 2015
Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag TMA20 Statistikk Eksame desember 205 Løsigsskisse Oppgave a) De kumulative fordeligsfuksjoe til X, F (x) P (X x): F (x) P (X x) x
Detaljer2T kapittel 3 Modellering og bevis Utvalgte løsninger oppgavesamlingen
T kapittel 3 Modellerig og bevis Utvalgte løsiger oppgavesamlige 301 a Sitthøyde i 1910 blir 170,0 171, 4 170,7. I 1970 blir de 177,1 179, 4 178,3. b Med som atall år etter 1900 og y som sitthøyde i cetimeter
DetaljerKap. 9: Inferens om én populasjon
2 ST0202 Statistikk for samfusvitere Bo Lidqvist Istitutt for matematiske fag Ka. 9: Iferes om é oulasjo Hvis σ er ukjet bytter vi ut σ med s i Ny observator blir t = x μ s/ z = x μ σ/ der s = Σx 2 (Σx)
Detaljern 2 +1) hvis n er et partall.
TMA445 Statistikk Vår 04 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer, blokk II Oppgave Mediae til et datasett, X, er de midterste verdie. Hvis vi har stokastiske
DetaljerEcon 2130 uke 15 (HG) Poissonfordelingen og innføring i estimering
Eco 130 uke 15 (HG) Poissofordelige og iførig i estimerig 1 Poissofordelige (i) Tilærmig til biomialfordelige. Regel. ( Poissotilærmelse ) Ata Y ~ bi(, p) E( Y ) = p og var( Y ) = p(1 p). Hvis er stor
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren Kontinuerlige tilfeldige variable, intro. Kontinuerlige tilfeldige variable, intro.
ÅMA Sasylighetsregig med statistikk, våre Kp. 4 Kotiuerlige tilfeldige variable; Normalfordelig Kotiuerlige tilfeldige variable, itro. (eller: Kotiuerlige sasylighetsfordeliger) Vi har til å sett på diskrete
DetaljerKort repetisjon fra kapittel 4. Oppsummering kapittel ST0202 Statistikk for samfunnsvitere. Betinget sannsynlighet og trediagram
2 Kort reetisjo fra kaittel 4 Betiget sasylighet og trediagram Eksemel: Fra e oulasjo av idrettsfolk trekkes e erso tilfeldig og testes for doig. De iteressate hedelsee er D=ersoe er doet, A=teste er ositiv.
DetaljerTil nå, og så videre... TMA4240 Statistikk H2010 (25) Mette Langaas. Foreleses mandag 15.november, 2010
TMA4240 Statistikk H2010 (25) 11.4: Egeskaper til MKE 11.5: Iferes om α og β 11.6: Prediksjo Mette Lagaas Foreleses madag 15.ovember, 2010 2 Til å, og så videre... Modell ekel lieær regresjo: Y = α + βx
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren Estimering. Målemodellen. Sannsynlighetsregning med statistikk. Kp. 5 Estimering.
ÅMA asylighetsregig med statistikk våre 008 Kp. 5 Estimerig Estimerig. Målemodelle. Ihold:. (ukt)estimerig i biomisk modell (kp. 5.). Målemodelle... (kp. 5.3) 3. (ukt)estimerig i målemodelle (kp. 5.3)
DetaljerOPPGAVE 4 LØSNINGSFORSLAG OPPGAVE 5 LØSNINGSFORSLAG UTVIKLING AV REKURSIV FORMEL FOR FIGURTALL SOM GIR ANDREGRADSFUNKSJONER
OPPGAVE 4 LØSNINGSFORSLAG Tallfølge i f) rektageltallee. Her er de eksplisitte formele R = ( +1) eller R = +. Dette er e adregradsfuksjo. I figurtallsammeheg forutsetter vi at de legste side er (øyaktig)
DetaljerLøsningsforslag ST2301 øving 3
Løsigsforslag ST2301 øvig 3 Kapittel 1 Exercise 11 Et utvalg på 100 idivider trekkes fra e populasjo med tilfeldig parrig. Det ble observert AA 63 idivider av geotype AA, Aa 27, og aa 10. Lag et 95 % kofidesitervall
DetaljerTotalt Antall kandidater oppmeldt 1513 Antall møtt til eksamen 1421 Antall bestått 1128 Antall stryk 247 Antall avbrutt 46 % stryk og avbrutt 21%
TMA4100 Høste 2007 Norges tekisk aturviteskapelige uiversitet Istitutt for matematiske fag Kommetarer til eksame Dette dokumetet er e oppsummerig av erfarigee fra sesure av eksame i TMA4100 Matematikk
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2010 Kp. 6, del 5
ÅMA110 Sasylighetsregig med statistikk, våre 2010 Kp. 6, del 5 Bjør H. Auestad Istitutt for matematikk og aturviteskap Uiversitetet i Stavager 12. april Bjør H. Auestad Kp. 6: Hypotesetestig del 4 1/ 59
DetaljerStatistikk og økonomi, våren 2017
Statistikk og økoomi, våre 07 Obligatorisk oppgave 6 Løsigsforslag Oppgave E terig kastes 0 gager, og det registreres hvor mage 6-ere som oppås i løpet av disse 0 kastee. Vi ka kalle atall 6-ere i løpet
DetaljerObligatorisk oppgave nr. 3 i Diskret matematikk
3. obligatoriske oppgave i Diskret matematikk høste 08. Obligatorisk oppgave r. 3 i Diskret matematikk Ileverigsfrist. ovember 08 Oppgave er frivillig og tregs ikke leveres, me hvis dere leverer de ie
DetaljerTMA4240 Statistikk Høst 2016
Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Abefalt øvig 11 Løsigsskisse Oppgave 1 a) E rimelig estimator for forvetigsverdie µ er gjeomsittet X = 1 X i, som vil være ormalfordelt
DetaljerLØSNING, EKSAMEN I STATISTIKK, TMA4240, DESEMBER Anta at sann porøsitet er r. Måling med utstyret gir da X n(x; r, 0,03).
LØSNING, EKSAMEN I STATISTIKK, TMA440, DESEMBER 006 OPPGAVE 1 Ata at sa porøsitet er r. Målig med utstyret gir da X (x; r, 0,03). a) ( ) X r P(X > r) P 0,03 > 0 P(Z > 0) 0,5. ( X r P(X r > 0,05) P 0,03
Detaljer8 (inkludert forsiden og formelsamling) Tegne- og skrivesaker, kalkulator, formelsamling (se vedlagt).
Eksamesoppgave våre 011 Ordiær eksame Bokmål Fag: Matematikk Eksamesdato: 10.06.011 Studium/klasse: GLU 5-10 Emekode: MGK00 Eksamesform: Skriftlig Atall sider: 8 (ikludert forside og formelsamlig) Eksamestid:
DetaljerLøsningsforslag Oppgave 1
Løsigsforslag Oppgave 1 a X i µ 0 σ X i µ 0 2 σ 2, i 1,..., er uavhegige og stadard N0, 1 fordelte. Da er, i 1,..., uavhegige og χ 2 -fordelte med e frihetsgrad. Da er summe χ 2 -fordelt med atall frihetsgrader
DetaljerX = 1 5. X i, i=1. som vil være normalfordelt med forventningsverdi E( X) = µ og varians Var( X) = σ 2 /5. En rimelig estimator for variansen er
Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Abefalte oppgaver 11, blokk II Løsigsskisse Oppgave 1 a) E rimelig estimator for forvetigsverdie µ er gjeomsittet X = 1 X i, som
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
Eksame i: ECON130 Statistikk 1 UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Eksamesdag: 6.05.017 Sesur kugøres: 16.06.017 Tid for eksame: kl. 14:30 17:30 Oppgavesettet er på 6 sider Tillatte helpemidler: Alle
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren Estimering. Målemodellen. Konfidensintervall, innledning. Kp. 5 Estimering.
ÅMA0 Sasylighetsregig med statistikk våre 006 Kp. 5 Estimerig Estimerig. Målemodelle. Ihold:. (Pukt)Estimerig i biomisk modell (kp. 5.). Målemodelle... (kp. 5.3) 3. (Pukt)Estimerig i målemodelle (kp. 5.3)
DetaljerLøsningsforslag for andre obligatoriske oppgave i STK1100 Våren 2007 Av Ingunn Fride Tvete og Ørnulf Borgan
Løsigsforslag for adre obligatoriske oppgave i STK11 Våre 27 Av Igu Fride Tvete (ift@math..uio.o) og Ørulf Borga (borga@math.uio.o). NB! Feil ka forekomme. NB! Sed gjere e mail hvis du fier e feil! Oppgave
DetaljerKapittel 10 fra læreboka Grafer
Forelesigsotat i Diskret matematikk torsdag 6. oktober 017 Kapittel 10 fra læreboka Grafer (utdrag) E graf er e samlig pukter (oder) og kater mellom puktee (eg. odes, vertex, edge). E graf kalles rettet
DetaljerHØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi
HØGSKOLEN I SØR-TRØNDELAG Avdelig for tekologi Målform: Bokmål Eksamesdato: 19 des. 2014 Varighet/eksamestid: Emekode: 3 timer TALM1005 Emeav: Statistikk og Økoomi statistikkdele Klasser: Logistikk 1 Kjemi
Detaljer3MX 2007/8 - Kapittel 5: 8. januar 5. februar 2008
3MX 00/8 - Kapittel : 8. jauar. februar 008 Pla for skoleåret 00/008: Kapittel 6: 6/ /. Kapittel : / /3. Prøver på eller skoletime etter hvert kapittel. É heildagsprøve i hver termi. Repetisjo, prøver,
DetaljerDifferensligninger Forelesningsnotat i Diskret matematikk Differensligninger
Differesligiger Forelesigsotat i Diskret matematikk 017 Differesligiger I kapittel lærte vi om følger og rekker. Vi studerte både aritmetiske og geometriske følger og rekker. Noe følger og rekker er imidlertid
DetaljerAVDELING FOR INGENIØRUTDANNING EKSAMENSOPPGAVE
AVDELING FOR INGENIØRUTDANNING EKSAMENSOPPGAVE Eme: Statistikk Gruppe(r): Alle ( 2. årskull) Eksamesoppgav Atall sider (ikl. e består av: forside): 5 Tillatte hjelpemidler: Emekode: LO070A Dato: 11.06.2004
DetaljerEmnenavn: Metode 1, statistikk deleksamen. Eksamenstid: 4 timer. Faglærer: Bjørnar Karlsen Kivedal
EKSAMEN Emekode: SFB10711 Emeav: Metode 1, statistikk deleksame Dato: 10. oktober 2018 Hjelpemidler: Godkjet kalkulator og vedlagt formelsamlig m/tabeller Eksamestid: 4 timer Faglærer: Bjørar Karlse Kivedal
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-aturviteskapelige fakultet Eksame i: STK11 Sasylighetsregig og statistisk modellerig. LØSNINGSFORSLAG Eksamesdag: Fredag 9. jui 217. Tid for eksame: 9. 13.. Oppgavesettet
DetaljerUkeoppgaver i BtG207 Statistikk, uke 4 : Binomisk fordeling. 1
Ukeoppgaver i BtG20 Statistikk, uke 4 : Biomisk fordelig. 1 Høgskole i Gjøvik Avdelig for tekologi, økoomi og ledelse. Statistikk Ukeoppgaver uke 4 Biomisk fordelig. Oppgave 1 La de stokastiske variable
DetaljerEksamen REA3028 S2, Våren 2012
Eksame REA08 S, Våre 0 Del Tid: timer Hjelpemidler: Valige skrivesaker, passer, lijal med cetimetermål og vikelmåler er tillatt. Oppgave (4 poeg) a) Deriver fuksjoee ) f f ) g e 4 4 4 g e e 4 g e e g e
DetaljerLøsningsforsalg til første sett med obligatoriske oppgaver i STK1110 høsten 2018
Løsigsforsalg til første sett med obligatoriske oppgaver i STK1110 høste 2018 Oppgave 1 (a Et 100(1 α% kofidesitervall for forvetigsverdie µ er gitt ved formel (8.15 på side 403 i læreboka. For situasjoe
DetaljerEmnenavn: Eksamenstid: 4 timer. Faglærer: Hans Kristian Bekkevard
EKSAMEN Emekode: SFB107111 Emeav: Metode 1, statistikk deleksame Dato: 7. mai 2018 Hjelpemidler: Godkjet kalkulator og vedlagt formelsamlig m/tabeller Eksamestid: 4 timer Faglærer: Has Kristia Bekkevard
DetaljerOppgave 1. (i) Hva er sannsynligheten for at det øverste kortet i bunken er et JA-kort?
ECON EKSAMEN 8 VÅR TALLSVAR Oppgave Vi har e kortstokk beståede av 6 kort. På av disse står det skrevet JA på forside mes det står NEI på forside av de adre kortee. Hvis ma får se kortet med bakside vedt
DetaljerEstimering 1 -Punktestimering
Estimerig 1 -Puktestimerig Dekkes av kap. 8, 9.1-9.3 og 9.15/9.14. Vi har til å settpå e rekke forskjellige sasylighetsfordeliger og sett hvorda disse ka brukes til å modellere mage forskjellige typer
Detaljer) = P(Z > 0.555) = > ) = P(Z > 2.22) = 0.013
TMA4240 Statistikk Vår 2008 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer b5 Løsigsskisse Oppgave 1 a) X 1,...,X 16 er u.i.f. N(80,18 2 ). Setter Y = X. i) P(X 1 >
DetaljerHØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi
HØGSKOLEN I SØR-TRØNDELAG Avdelig for tekologi Målform: Bokmål Eksamesdato: 5 jui 2015 Varighet/eksamestid: Emekode: 3 timer TALM1005 Emeav: Statistikk og Økoomi statistikkdele Klasser: Logistikk 1 Kjemi
DetaljerKapittel 7: Noen viktige sannsynlighetsfordelinger
Kapittel 7: Noe viktige sasylighetsfordeliger I mage situasjoer ka feomeet vi ser på beskrives med e bestemt type sasylighetsfordelig e sasylighetsfordelig gitt ved e bestemt formel. Vi skal se på oe av
DetaljerSentralverdi av dataverdi i et utvalg Vi tenker oss et utvalg med datapar. I vårt eksempel har vi 5 datapar.
Statistisk behandling av kalibreringsresultatene Del 4. v/ Rune Øverland, Trainor Elsikkerhet AS Denne artikkelserien handler om statistisk behandling av kalibreringsresultatene. Dennne artikkelen tar
DetaljerTMA4240 Statistikk Høst 2015
Høst 205 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer, blokk II Løsigsskisse Oppgave a) X bi(, p) fordi: Udersøker uavhegige delar av DNA-strukture. Fi for kvar del
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-aturviteskapelige fakultet Eksame i STK2120 Statistiske metoder og dataaalyse 2 Eksamesdag: Madag 6. jui 2011. Tid for eksame: 09.00 13.00. Oppgavesettet er på 5 sider.
DetaljerOversikt over konfidensintervall i Econ 2130
1 HG Revidert april 011 Oversikt over kofidesitervall i Eco 130 Merk at dee oversikte ikke er met å leses istedefor framstillige i Løvås, me som et supplemet. Løvås ieholder mage verdifulle kommetarer
DetaljerIntroduksjon. Hypotesetesting / inferens (kap 3) Populasjon og utvalg. Populasjon og utvalg. Populasjonsvarians
Hypotesetestig / iferes (kap ) Itroduksjo Populasjo og utvalg Statistisk iferes Utvalgsfordelig (samplig distributio) Utvalgsfordelige til gjeomsittet «The hardest thig to teach i ay itroductory statistics
DetaljerST1201 Statistiske metoder
ST Statistiske metoder Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Løsigsforslag - Eksame desember Oppgave a) Dette er e ANOVA-tabell for k-utvalg med k 4 og j 6 for j,,3,4.
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2010 Kp. 6, del 4
ÅMA11 Sasylighetsregig med statistikk, våre 21 Kp. 6, del 4 Bjør H. Auestad Istitutt for matematikk og aturviteskap Uiversitetet i Stavager 22. mars Bjør H. Auestad Kp. 6: Hypotesetestig del 4 1/ 29 Bjør
DetaljerEcon 2130 Forelesning uke 11 (HG)
Eco 130 Forelesig uke 11 (HG) Mer om ormalfordelige og setralgreseteoremet Uke 1 1 Fra forrige gag ~ betyr er fordelt som. ~ N( µσ, ) E( ) = µ, og var( ) = σ Normalfordelige er symmetrisk om μ og kotiuerlig
DetaljerForelesning 4 og 5 Transformasjon, Weibull-, lognormal, beta-, kji-kvadrat -, t-, F- fordeling
STAT (V6) Statistikk Metoder Yushu.Li@uib.o Forelesig 4 og 5 Trasformasjo, Weibull-, logormal, beta-, kji-kvadrat -, t-, F- fordelig. Oppsummerig til Forelesig og..) Momet (momet about 0) og setral momet
DetaljerLøsningsforslag til prøveeksamen i MAT1110, våren 2012
Løsigsforslag til prøveeksame i MAT, våre Oppgave : Vi har A = 3 III+I I+II 3 ( )II 3 3 Legg merke til at A er de utvidede matrise til ligigssystemet. Vi ser at søyle 3 og 4 i de reduserte trappeforme
DetaljerEstimering 2. -Konfidensintervall
Estimerig 2 -Kofidesitervall Dekkes av kap. 9.4-9.5, 9.10, 9.12 og forelesigsotatee. Dersom forsøket gjetas mage gager vil (1 α)100% av itervallee [ ˆΘ L, ˆΘ U ] ieholde de ukjete parametere θ (som er
Detaljer