Forelesning Punktestimering

Størrelse: px
Begynne med side:

Download "Forelesning Punktestimering"

Transkript

1 STAT Statst Metoder Forelesg Putestmerg. Fra sasylghetsteor tl statst feres ) Sasylghetsberegg sasylghetsteor: v jeer parametere som besrver modellee, f.es. p boms modell, ormal fordelg, possoprosesse og espoetal fordelg. ) I mage pratse stuasjoer, er parametere ujete. V har bare observasjoer av stoastse varabler tl å få frem formasjo av parametere ved at: a. Estmere (aslå) parametere med rmelg grad av serhet (estmerg), f.es. Levetde tl e bestemt type retsort atas espoetal fordelt. V har observert at levetde for ses sle ort ble hhv 6, 009, 95, 303, 599, og 780. Hva forteller dette oss om verde på parametere espoetal fordelge? Dvs om forvetet levetd? Atall ulyer per år på e oljeplattform atas Possofordelt. De sste fem åree har det bltt regstrert 5,8,, 7 og 3 ulyer per år. Hva forteller dette oss om parametere λ Posso-fordelge? Dvs om - forvetet atall ulyer per år/testete? b. Ta stllg tl e påstad (hypotese) om verde av e parameter (hypotesetestg) 3) Et jet esempel av estmerg Brtse statstere har e gag estmert størrelse av de tyse våpeprodusjoe uder.verdesrg gjeom å spoere sereummer på våpe. f.es. sereummer på strdsvog. V a se et sammelgede esempel: Es. V befer oss e storby og vl forsøe å estmere hvor mage drosjer m det fes bye ved å otere drosjeumree. I de første ue, har v observasjoer som: UNr : Modelle er U (0, m) (sasylghete for å observere e drosje er /m). V har flere måter å aslår parametere m

2 STAT Statst Metoder Estmator m 5 ford v har sett 5 drosjer Estmator m 440 ford 440 er høyeste observerte r Estmator 3 m ford 80 er atatt meda Estmator 4 (mellomromsestmator): m Estmator 5 (mellomromsestmator): m V atar at v a få flere reer observasjoer ue, 3, 4 som UNr, UNr3, UNr4 og gtt at m=550, a v sammelge estmator m 3, m 4, m 5 sl: Felsum Det ser ut tl at m 3 gr større fel e de to adre og m 5 gr mst fel. m 5 a bl estmator for m. Brtse statstere brute sammelgede metode og estmatee var u oe få proset fel, mes spoasjeberegger bommet med e fator opp mot 4.. Putestmerg ) Estmator og stprøve: a. Estmator: La,..., være uavhegge stoastse varabler fra samme fordelg med parametere. E estmator ˆ er e fusjo av,..., : ˆ ˆ(,,..., ), som brues for å estmere de ujete parametere. ˆ er fortsatt e S.V. som har ege fordelg.

3 STAT Statst Metoder *Verde tl estmatore alles putestmat for, og dee verde a bereges år v har stprøve. b. Stprøve: V tar e stprøve (uavhegge observerte tallverder () () () x, x,..., x ) fra e fordelgs med parameter, der fordelgsfusjo er jet me e (parameter). Ved at brue estmator ˆ ˆ(,,..., ), a v får e estmatorsverd ˆ() () () () ˆ( x, x,..., x ) som er fusjo av stprøve () () () x, x,..., x. V aller estmatorsverd som et estmat. Når v har e ae stprøve () () () x, x,..., x, a v har et aet estmat ˆ(). c. Det a fes flere estmatorer for e parameter Es : er e S.V. som deferes sl: hvs e perso er e borgerlge velgere orge, 0 hvs e perso e er e borgerlge velgere Norge. p, x Da har v P( x). V bygger e estmator ˆp for å estmere p p, x 0 og fe fordelge tl ˆp. Eg. 3, V har de medfølgede 0 observasjoee på vete (g) av 8 årgs orse jeter De gtte observasjoee blr så e stprøve fra dee ormalfordelge. V atar at vete av 8 årgs orse jeter er ormal fordelt med forvetg m. Ford ormalfordelger er symmetrse, er m også medae av fordelge. V a ha flere estmatorer og tlsvarede estmatorsverder for m: ) V har forsjellge metoder for å bygge estmator for e parameter: a. Mometmetode b. Maxmum lelhood metode c. Bayesase metode d. «Computer tesve» metoder som beytter deer fra a-c

4 STAT Statst Metoder 3) Mometmetode. Ata at,..., være uavhegge stoastse varabler fra samme fordelgsfusjo med parameter, der fusjoell form er jet me e (parameter). ( a være e vetor (,,... ), f.es., for W ( r, ), har v r, ) a. V deferer teoretse (populasjo) mometer som De første momet: E ( ) (,,... ) De adra momet: E (,,... ) De te momet: E (,,... ) f.es. W,, er fusjoer av,,... * ( r, ), E( W ) r, E( W ) r ( r ) V deferer samplgs (utvalg) mometer som * m, m m ( ) ( ) m,, m er fusjoer av,,... b. Store talls lov:,, 3, er uavhegge stoastse varabler med... samme forvetg og varas. Lar, Da har v: P år. Det betyr at for hver eeste postv, har v: lm P( ) Elest esempel: v aste e myt flere gager. La stoastse varabler som = år v får ro på ' te ast og =0 år v får myt på ' te ast. Da har v E ( ) 0.5. Nå v ast myt gager, har v adel ro er:....

5 Adel ro Adel ro STAT Statst Metoder 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0, 0, 0 00 mytast ,9 0,8 0,7 0,6 0,5 0,4 0,3 0, 0, mytast Fgure : smulerte mytast c. Fra store talls lov b., har v: Sett lgger som: p m... m p ˆ ( ˆ, ˆ,... ˆ ) m... ˆ ( ˆ, ˆ,... ˆ ) m V a løse ut ˆ ˆ ˆ,,... fra de lggee, og ˆ ˆ ˆ,,... er emlg mometestmator for (,,... ). ˆ ˆ ˆ,,... er fusjoee av,,..., Es 4.,..., er uavhegge stoastse varabler fra samme fordelg med forvetg og varas, f mometestmatorer ˆ og ˆ Es 5. W, W..., W er uavhegge stoastse varabler fra samme fordelg ( r, ), f mometestmatorer ˆr, ˆ. *Hvs v har e stprøve (uavhegge observasjoer x, x,..., x ), da a v få verder tl mometestmatorer gjeom at erstatte,,..., som x, x,..., x.

6 STAT Statst Metoder Es 6. E fseoppdretter har et stort atall las et basseg. Vete tl las atas å være uavhegge og dets ormal fordelte stoastse varabler med forvetg og varas estmere og. Ole vl brue mometestmator metode for å for vete av lasee, og ha tar opp 3 las og veer dsse. x ( g ) : Fra Es 4, a v få: ˆ x x Egesaper hos estmatorer ˆ ( x x ) ( x 4.38) E parameter a har flere estmatorer. f.es.,,..., er uavhegge stoastse varabler fra exp( ), da har v E( ), Var( ). Brue mometestmatorer, a v har ˆ (basert på ˆ m ) eller ˆ ( ) (basert på ˆ m). Me hvle er best? Es 7. Se estmerg som e pltavla. ) Tre vtever for å evaluere ˆ : a. Bas( ˆ ) E( ˆ ) : hvs Bas( ˆ ) 0 estmator: *Hvs E( ˆ )., er ˆ e forvetgsrett (ubased) ˆ er forvetgsrett, vl oe stprøver g estmatorsverder som overstger og adre stprøvee gr estmatorsverder som er mdre e. Me fordelg av ˆ vl være alltd "setrert" på :

7 STAT Statst Metoder Fgure. ˆ er forvetgsrett estmator for og ˆ er e forvetgsrett *Mellom ule estmatorer med samme varas, foretreer v e forvetgsrett estmator eller estmatore som har mst bas. Eg. 8, Ata at, reasjostde tl e stmulus, er uform fordelt på tervallet fra 0 tl e ujet øvre grese. E etterforser øser å berege fra et tlfeldg utvalg,..., av reasjostder. Ha bruer ˆ max(,,..., ) b som estmator for. Bevs at ˆb forvetgsrett estmator for. er e Itutv metode: Sde er de største mulge tde hele populasjo reasjostder, vl ˆb (det største mellom utvalg fra populasjo) aldr overstge. Derfor vl ˆb uderestmere og e være forvetgsrett. Matemats metode: b. Var( ˆ ): Mellom ule estmatorer med samme bas, foretreer v estmator med mst varas Es 9. Bevs mometestmator ˆ ( ) er e forvetgsrett estmator for varas forvetgsrett estmator for varas mes estmator. Me S er ( ) Var( ˆ ) Var( S ).

8 STAT Statst Metoder ˆ ( ) ( ) ( ) ( ) Var( ) E( ) E( ), E( ) Var( ) E( ) E( ) E( ˆ ) ( E ) E ( ) ( ) ( ) S ˆ E( S ) E( ˆ ) * Var( S ) ( ) Var( ˆ ) Var( ) c. Trade-off mellom bas og varas: MSE( ˆ ) E( ˆ ) (MSE: Mea squred error) Es 0. Bevs at MSE( ˆ ) Var( ˆ ) (Bas( ˆ )) c.) Mellom ule estmatorer, foretreer v estmator med mst MSE. c.) Blat alle estmatorer av som er forvetgsrette, velger v estmatore som har mmum varas. De resulterede ˆ alles mmum varas forvetgsrett estmator (mmum varace ubased estmator (MVUE)) av. ) Stadardfel av estmator Def. Stadardfel (stadard error) av e estmator ˆ er defert som s stadardavv (stadard devato) av ˆ : Var( ˆ ). Hvs eholder ˆ ujete parametere der verder a bl estmert, substtusjo av dsse aslagee tl gr estmert stadardfel (estmert stadardavv) som a beteges som. ˆ ˆ er e måte for å måle pressjoe tl estmatore ˆ : jo mdre, jo bedre. ˆ ˆ ˆ

9 STAT Statst Metoder Es. Ata at,..., N(, ), og ˆ er e forvetgsrett estmator for ( E ˆ E ). F stadardfel av ˆ : Hvs er ujet og v bruer momet estmator ˆ ( ) for å ˆ estmere, da estmert stadardfel tl ˆ er: ˆ ˆ ( ). Når v har e stprøve x ( x,..., x ), a v få e verd av ˆ. ˆ I Es, a v ha e matemats form av stadardfel tl estmator ˆ : ˆ /, me mage tlfeller, har v e matemats form av. F.es. ˆ hvs er Es, da e forvetgsrett estmator for er ˆ S ( ), me det er e lett å fe matemat form av Var( S ) eller stadardfel S. V a brue bootstrap metode (este ue) *Abefalt hjem lesg (homereadg): sdee «more complcatos»

Forelesning 19 og 20 Regresjon og korrelasjons (II)

Forelesning 19 og 20 Regresjon og korrelasjons (II) STAT111 Statstkk Metoder [email protected] Forelesg 19 og 0 Regresjo og korrelasjos (II) 1. Kofdestervall (CI) og predksjostervall (PI) I uka 14, brukte v leær regresjo for å fage leær sammehege mellom Y og

Detaljer

STK1100 våren Konfidensintevaller

STK1100 våren Konfidensintevaller STK00 våre 07 Kofdestevaller Svarer tl avstt 8. læreboka Ørulf Borga Matematsk sttutt Uverstetet Oslo Eksempel E kjemker er teressert å bestemme kosetrasjoe µ av et stoff e løsg Hu måler kosetrasjoe fem

Detaljer

Forelesning Ordnings observatorer

Forelesning Ordnings observatorer [email protected] Forelesg 6 + 7 Ordgs observatorer. Oppsummerg tl Forelesg 4 og 5.) Fuksjoer (trasformasjoer) av flere S.V...) Smultafordelg tl to ye S.V. Ata at v har to S.V., med smultafordelg f ( x, x )

Detaljer

STK1100 våren Estimering. Politisk meningsmåling. Svarer til sidene i læreboka. The German tank problem. Måling av lungefunksjon

STK1100 våren Estimering. Politisk meningsmåling. Svarer til sidene i læreboka. The German tank problem. Måling av lungefunksjon STK00 våre 07 Estmerg Svarer tl sdee 33-339 læreboka Poltsk megsmålg Sør et tlfeldg utvalg å 000 ersoer hva de vlle ha stemt hvs det hadde vært valg 305 vlle ha stemt A A's oslutg er Ørulf Borga Matematsk

Detaljer

Forelesning Enveis ANOVA

Forelesning Enveis ANOVA STAT111 Statstkk Metoder [email protected] Forelesg 14 + 15 Eves ANOVA 1. troduksjo a. Z-, t- test Uka 1: tester for forvetgsdfferase to populasjoer (grupper) b. ANOVA (aalyss of varace): tester om det er forskjeller

Detaljer

Forelesning 21 og 22 Goodness of fit test and contingency table ( 2 test og krysstabell)

Forelesning 21 og 22 Goodness of fit test and contingency table ( 2 test og krysstabell) STAT111 Statstkk Metoder [email protected] Forelesg 1 Goodess of ft test ad cotgecy table ( test krysstabell 1.Goodess of ft test ( test Ata at v har et utvalg med observasjoee fra e stokastsk varabel X. Goodess-of-ft

Detaljer

OBLIGATORISK OPPGAVE 1 INF 3340/4340/9340 HØSTEN 2005

OBLIGATORISK OPPGAVE 1 INF 3340/4340/9340 HØSTEN 2005 OBLIGATORISK OPPGAVE INF 0/0/90 HØSTEN 005 Levergsfrst: 0. september 005 Arbedsform: Løses dvduelt Ileverg tl: Aja Bråthe Krstofferse ([email protected] Levergskrav: Det forutsettes at du er kjet med holdet

Detaljer

TMA4245 Statistikk Eksamen mai 2016

TMA4245 Statistikk Eksamen mai 2016 Norges teksk-aturvteskapelge uverstet Isttutt for matematske fag Løsgssksse Oppgave a) Lar X være kvadratprse. Har da at X N(µ, σ 2 ), med µ 30 og σ 2 2, 5 2. P (X < 30) P (X < µ) 0.5 ( X 30 P (X > 25)

Detaljer

Econ 2130 uke 15 (HG)

Econ 2130 uke 15 (HG) Eco 130 uke 15 (HG) Kofdestervall Løvås: 6.1., 6.3.1 3. (Avstt 6.3.4 6 leses på ege håd. Se også overskt over kofdestercvall ekstra otat på ettet.) 1 Defsjo av kofdestervall La θ være e ukjet parameter

Detaljer

Om enkel lineær regresjon II

Om enkel lineær regresjon II 1 ECON 13 HG, revdert aprl 17 Notat tl kapttel 7 Løvås Om ekel leær regresjo II Merk: Det ka løe seg først å lese avstt 4 regresjo-i-otatet på ytt. Regresjosmodelle. La Y være e stokastsk varabel (som

Detaljer

Enveis variansanalyse (One-way ANOVA, fixed effects model) (Notat til Kap. 12 i Rosner)

Enveis variansanalyse (One-way ANOVA, fixed effects model) (Notat til Kap. 12 i Rosner) Eves varasaalyse (Oe-way ANOVA, fxed effects model) (Notat tl Kap. Roser) V reaptulerer først t-teste for to uavhegge utvalg. Stuasjoe var at v hadde to grupper, f.es. G og G og et sett uavhegge og dets

Detaljer

STK1110 høsten Lineær regresjon. Svarer til avsnittene i læreboka (med unntak av stoffet om logistisk regresjon)

STK1110 høsten Lineær regresjon. Svarer til avsnittene i læreboka (med unntak av stoffet om logistisk regresjon) TK høste 9 Eksempel.5 (CO og vekst av furutrær Leær regreso varer tl avsttee..4 læreboka (med utak av stoffet om logstsk regreso Ørulf Borga Matematsk sttutt Uverstetet Oslo V vl bestemme sammehege mellom

Detaljer

TMA4245 Statistikk Eksamen august 2014

TMA4245 Statistikk Eksamen august 2014 Norges teksk-aturvteskapelge uverstet Isttutt for matematske fag Løsgssksse Oppgave a) Y 5 PY > 53) PY 53) P ) 53 5 Φ5) 933 668 Vekte av e fylt flaske, X + Y, er e leærkombasjo av uavhegge ormalfordelte

Detaljer

TMA4240 Statistikk Høst 2016

TMA4240 Statistikk Høst 2016 TMA440 Statstkk Høst 06 Norges teksk-aturvteskapelge uverstet Isttutt for matematske fag Abefalt øvg 0 Løsgssksse Oppgave a Estmatore for avstade a er gjeomsttet av uavhegge detsk fordelte målger, x; a,

Detaljer

Om enkel lineær regresjon II

Om enkel lineær regresjon II ECON 3 HG, aprl Notat tl kapttel 7 Løvås Om ekel leær regresjo II Merk: Det ka løe seg først å lese avstt 4 regresjo-i-otatet på ytt. Regresjosmodelle. La Y være e stokastsk varabel som v kaller resposvarabele

Detaljer

Løsningsforslag (ST1201/ST , kontinuasjonseksamen) ln L. X i = 2n.

Løsningsforslag (ST1201/ST , kontinuasjonseksamen) ln L. X i = 2n. Løsgsforslag ST20/ST620 205, kotuasjoseksame. a Rmelghetsfuksjoe blr Logartme Derverer Løser lgge Løsge er SME: L = 2 e l L = 2 l X X. X + l X. l L = 2 + 2 X = 2. ˆ = 2 X. X. b Her ka ma beytte trasformasjosformele,

Detaljer

Regler om normalfordelingen

Regler om normalfordelingen 1 HG mars 2009 Notat tl kapttel 5 Løvås Regler om ormalfordelge Kjeskap tl reglee for ormalfordelge er gruleggede for de statstske aalyse kapttel 6 Løvås, og studetee må kue beherske dsse skkkelg dette

Detaljer

Regler om normalfordelingen

Regler om normalfordelingen 1 HG Revdert mars 013 Notat tl kapttel 5 Løvås Regler om ormalfordelge Kjeskap tl reglee for ormalfordelge er gruleggede for de statstske aalyse kapttel 6 Løvås, og studetee må kue beherske dsse skkkelg

Detaljer

Avdeling for estetiske fag, folkekultur og lærerutdanning BOKMÅL 14.12.2007

Avdeling for estetiske fag, folkekultur og lærerutdanning BOKMÅL 14.12.2007 Høgskole Telemark Avdelg for estetske fag, folkekultur og lærerutdag BOKMÅL 4..7 UTATT PRØVE I MATEMATIKK, Modul 5 studepoeg Td: 5 tmer Hjelpemdler: Kalkulator og vedlagt formelsamlg (bakerst oppgavesettet).

Detaljer

Løsningskisse seminaroppgaver uke 17 ( april)

Løsningskisse seminaroppgaver uke 17 ( april) HG Aprl 14 Løsgsksse semaroppgaver uke 17 (.-5. aprl) Oppg. 5.6 (begge utgaver) La X = atall bar utvalget som har lærevasker. Adel bar med lærevasker populasjoe av bar atas å være p.15. Utvalgsstørrelse

Detaljer

Seminaroppgaver for uke 13

Seminaroppgaver for uke 13 1 ECON 2130 2016 vår Semarpla fra og med uke 13 Semaroppgaver for uke 13 1) Fra eksame Eco 2130, 2004 høst: Oppgave 3: (Fel oppgave på ststuttets overskt over gamle eksamesoppgaver) La X og Y være to uavhegge

Detaljer

Regler om normalfordelingen

Regler om normalfordelingen HG mars 0 Notat tl kapttel 5 Løvås Regler om ormalfordelge Kjeskap tl reglee for ormalfordelge er gruleggede for de statstske aalyse kapttel 6 Løvås, og studetee må kue beherske dsse skkkelg dette kurset.

Detaljer

Seminaroppgaver for uke 13 (Oppgave (1), (2), og (3))

Seminaroppgaver for uke 13 (Oppgave (1), (2), og (3)) 1 ECON 2130 2017 vår Semarpla fra og med uke 13 Semaroppgaver for uke 13 (Oppgave (1), (2), og (3)) (1) Fra eksame Eco 2130, 2004 høst: Oppgave 3: (Fel oppgave på ststuttets overskt over gamle eksamesoppgaver)

Detaljer

Analyse av sammenhenger

Analyse av sammenhenger Kapttel 7.-7.3: Aalyse av sammeheger Korrelasjo og regresjo E vktg avedelse av statstkk er å studere sammeheger mellom varabler: Avgjøre om det er sammeheger. Beskrve hvorda evetuelle sammeheger er. Eksempler:

Detaljer

Statistikk med anvendelse i økonomi

Statistikk med anvendelse i økonomi A-6 og A-6-G, 6. ma 08 Emekode: Emeav: A-6 og A-6-G tatstkk med avedelse økoom Dato: 6. ma 08 Varghet: 0900-300 Atall sder kl. forsde 0 Tllatte hjelpemdler: erkader: Kalkulator med tømt me og ute kommukasjosmulgheter.

Detaljer

Formler og regler i statistikk ifølge lærebok Gunnar Løvås: Statistikk for universiteter og høgskoler

Formler og regler i statistikk ifølge lærebok Gunnar Løvås: Statistikk for universiteter og høgskoler Formler og regler statstkk følge lærebok Guar Løvås: tatstkk for uversteter og høgskoler Kap. Hva er fakta om utvalget etralmål Meda: mdterste verd etter sorterg Modus: hyppgst forekommede verd Gjeomstt:

Detaljer

Forelesning 3 MET3592 Økonometri ved David Kreiberg Vår 2011

Forelesning 3 MET3592 Økonometri ved David Kreiberg Vår 2011 Forelesg 3 MET359 Økoometr ved Davd Kreberg Vår 0 Dverse oppgaver Oppgave. E vestor samler følgede formasjo om markedsavkastge og avkastge på det som ser ut tl å være et attraktvt aksjefod År Aksjefodets

Detaljer

Notat 1: Grunnleggende statistikk og introduksjon til økonometri

Notat 1: Grunnleggende statistikk og introduksjon til økonometri Notat : Gruleggede statstkk og troduksjo tl økoometr Gruleggede statstkk Populasjo vs. utvalg Statstsk feres gjør bruk av formasjoe et utvalg tl å trekke koklusjoer (el. slutger) om populasjoe som utvalget

Detaljer

EKSAMEN løsningsforslag

EKSAMEN løsningsforslag 5. aprl 017 EKSAMEN løsgsforslag Emekode: ITD0106 Emeav: Statstkk og økoom Dato:. ma 016 Eksamestd: 09.00 13.00 Hjelpemdler: - Alle trykte og skreve. - Kalkulator. Faglærer: Chrsta F Hede Om eksamesoppgave

Detaljer

Introduksjon til økonometri, kap 8, 9.1 og 9.2. Hva er formålet med økonometri? Utvalgskorrelasjoner To-variabel regresjoner

Introduksjon til økonometri, kap 8, 9.1 og 9.2. Hva er formålet med økonometri? Utvalgskorrelasjoner To-variabel regresjoner Itroduksjo tl økoometr, kap 8, 9.1 og 9. Hva er formålet med økoometr? Utvalgskorrelasjoer To-varabel regresjoer Iformasjo fra data Målet med økoometr er å lære oe fra data Øke vår kuskap ved å oppdage

Detaljer

STK1100 våren 2015 P A B P B A. Betinget sannsynlighet. Vi trenger en definisjon av betinget sannsynlighet! Eksemplet motiverer definisjonen:

STK1100 våren 2015 P A B P B A. Betinget sannsynlighet. Vi trenger en definisjon av betinget sannsynlighet! Eksemplet motiverer definisjonen: STK00 våren 05 etnget sannsynlghet Svarer tl avsntt.4 læreboa Esempel V vl først ved help av et esempel se ntutvt på hva betnget sannsynlghet betyr V legger fre røde ort og to svarte ort en bune Ørnulf

Detaljer

Introduksjon til generelle lineære modeller (GLM)

Introduksjon til generelle lineære modeller (GLM) Itrodusjo tl geerelle leære modeller (GLM) Geerelle Leære Modeller (GLM) er orthet e felles betegelse for e ree statstse modeller, fra eel leær regresjo og eves balasert ANOVA tl de mest omplserte ANOVA-modeller

Detaljer

STK1100 våren 2017 Estimering

STK1100 våren 2017 Estimering STK1100 våre 017 Estimerig Svarer til sidee 331-339 i læreboka Ørulf Borga Matematisk istitutt Uiversitetet i Oslo 1 Politisk meigsmålig Spør et tilfeldig utvalg på 1000 persoer hva de ville ha stemt hvis

Detaljer

Innføring i medisinsk statistikk

Innføring i medisinsk statistikk Stoasts forsø el. espermet Iførg medss statst Del I - Høst 008 Kapttel 4. Dsret sasylghetsfordelg Harald Johse, sept. 008 Et ret tes begrep for e prosess der heste er å framsaffe data om hedelser der utfallet

Detaljer

Estimering 1 -Punktestimering

Estimering 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

Estimering 1 -Punktestimering

Estimering 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

Oppgave 1. (i) Hva er sannsynligheten for at det øverste kortet i bunken er et JA-kort?

Oppgave 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

Detaljer

Oppgave 1 ECON 2130 EKSAMEN 2011 VÅR

Oppgave 1 ECON 2130 EKSAMEN 2011 VÅR ECON 30 EKSAMEN 0 VÅR Oppgave E bedrf øsker å fordele koraker e vesergsprosjek hel lfeldg på 3 frmaer, A, B og C. Uvelgelse skjer ved loddrekg. Loddrekge er slk a hver av frmaee A, B og C, har e mulghe

Detaljer

Oversikt over tester i Econ 2130

Oversikt over tester i Econ 2130 1 HG Revdert aprl 213 Overskt ver tester Ec 213 La θ være e ukjet parameter (ppulasjs-størrelse) e statstsk mdell. Uttrykket ukjet parameter betyr at de sae verde av θ ppulasje er ukjet. Når v setter pp

Detaljer

TMA4240/4245 Statistikk Eksamen august 2016

TMA4240/4245 Statistikk Eksamen august 2016 Norges teknsk-naturvtenskapelge unverstet Insttutt for matematske fag TMA44/445 Statstkk Eksamen august 6 Løsnngssksse Oppgave a) Ved kast av to ternnger er det 36 mulge utfall: (, ),..., (6, 6). La Y

Detaljer

Econ 2130 uke 15 (HG) Poissonfordelingen og innføring i estimering

Econ 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

Detaljer

Positive rekker. Forelest: 3. Sept, 2004

Positive rekker. Forelest: 3. Sept, 2004 Postve rekker Forelest: 3. Sept, 004 V skal tde utover fokusere på å teste om e rekke kovergerer, og skyve formler for summerg bakgrue. Dette er gje ford det første målet vårt er å lære hvorda v ka fe

Detaljer

Forelesning Z-, t-test, test for forventningsdifferanser

Forelesning Z-, t-test, test for forventningsdifferanser STAT Sttstkk Metoder [email protected] Forelesg + 3 Z-, t-test, test for forvetgsdfferser. Sttstsk hypotesetestg ullhypotese): ypotese so først ttt å være st *Forålet ed e test er å udersøke o dtterlet gr grulg

Detaljer

Notasjoner, gjennomsnitt og kvadratsummer. Enveis ANOVA, modell. Flere enn to grupper. Enveis variansanalyse (One-way ANOVA, fixed effects model)

Notasjoner, gjennomsnitt og kvadratsummer. Enveis ANOVA, modell. Flere enn to grupper. Enveis variansanalyse (One-way ANOVA, fixed effects model) Enves varansanalyse (One-way ANOVA, fxed effects model Reaptulerng av t-testen for uavhengge utvalg fra to grupper, G og G : Observasjoner fra G : Y N(, σ j, j=,,...,n Observasjoner fra G : Y N(, σ, j=,,...,n

Detaljer

Forelesning 4 og 5 Transformasjon, Weibull-, lognormal, beta-, kji-kvadrat -, t-, F- fordeling

Forelesning 4 og 5 Transformasjon, Weibull-, lognormal, beta-, kji-kvadrat -, t-, F- fordeling STAT (V6) Statistikk Metoder [email protected] Forelesig 4 og 5 Trasformasjo, Weibull-, logormal, beta-, kji-kvadrat -, t-, F- fordelig. Oppsummerig til Forelesig og..) Momet (momet about 0) og setral momet

Detaljer

Makroøkonomi - B1. Innledning. Begrep. B. Makroøkonomi. Mundells trilemma går ut på følgende:

Makroøkonomi - B1. Innledning. Begrep. B. Makroøkonomi. Mundells trilemma går ut på følgende: B. Makroøkoom Oppgave: Forklar påstades hold og drøft hvlke alteratv v står overfor: Fast valutakurs, selvstedg retepoltkk og fre kaptalbevegelser er kke forelg på samme td. Makroøkoom Iledg Mudells trlemma

Detaljer

H 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

H 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

Detaljer

Introduksjon. Hypotesetesting / inferens (kap 3) Populasjon og utvalg. Populasjon og utvalg. Populasjonsvarians

Introduksjon. 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

Detaljer

Oppgaven består av 9 delspørsmål, A,B,C,., som anbefales å veie like mye, Kommentarer og tallsvar er skrevet inn mellom <<.. >>.

Oppgaven består av 9 delspørsmål, A,B,C,., som anbefales å veie like mye, Kommentarer og tallsvar er skrevet inn mellom <<.. >>. ECON 130 EKSAMEN 008 VÅR - UTSATT PRØVE SENSORVEILEDNING Oppgave består av 9 delspørsmål, A,B,C,., som abefales å veie like mye, Kommetarer og tallsvar er skrevet i mellom . Oppgave 1 Ved e spørreudersøkelse

Detaljer

ARBEIDSNOTAT ARBEIDSNOTAT

ARBEIDSNOTAT ARBEIDSNOTAT A r b e d s o t a t e r f r a H øg s k o l e B u s k e r u d r. 67 ARBEIDSNOTAT ARBEIDSNOTAT Avedt statstkk Jo Reertse Arbedsotater fra Høgskole Buskerud Nr. 67 Avedt statstkk Av Jo Reertse Høefoss 8

Detaljer

Statistikk og økonomi, våren 2017

Statistikk 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

Detaljer

UNIVERSITETET I OSLO ØKONOMISK INSTITUTT

UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Utsatt eksamen : ECON130 Statstkk 1 UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Eksamensdag: 15.0.015 Sensur kunngjøres senest: 0.07.015 Td for eksamen: kl. 09:00 1:00 Oppgavesettet er på 4 sder Tllatte hjelpemdler:

Detaljer

Om enkel lineær regresjon I

Om enkel lineær regresjon I 1 ECON 130 HG, revdert 017 Notat tl kapttel 7.1 7.3.3 Løvås (Jfr. forelesg uke 11) Om ekel leær regresjo I (deskrptv aalse og ltt om regresjosmodelle tl slutt) 1 Iledg Ekel regresjosaalse dreer seg om

Detaljer

Kapittel 9: Mer kombinatorikk

Kapittel 9: Mer kombinatorikk MAT00 Disret Matemati Forelesig : Mer ombiatori Roger Atose Istitutt for iformati, Uiversitetet i Oslo Kapittel 9: Mer ombiatori 5. april 009 (Sist oppdatert: 009-04-5 00:06) MAT00 Disret Matemati 5. april

Detaljer

Om enkel lineær regresjon I

Om enkel lineær regresjon I ECON 30 HG, revdert 0 Notat tl kapttel 4 Løvås Om ekel leær regresjo I Iledg Ekel regresjosaalse dreer seg om å studere sammehege mellom e resposvarabel,, og e forklargsvarabel,, basert på et datamaterale

Detaljer

FORELESNINGSNOTATER I SPILLTEORI Geir B. Asheim, våren 2001 (oppdatert ).

FORELESNINGSNOTATER I SPILLTEORI Geir B. Asheim, våren 2001 (oppdatert ). OREESNINGSNOTATER I SPITEORI Ger B. Ashem, våre 00 (odatert 000.0.03. 3. STATISKE SPI MED UUSTENDIG INORMASJON (Statske Bayesaske sll Statsk sll: Sllere trekker samtdg. Ufullstedg formasjo: Mst é sllere

Detaljer

Kapittel 8: Estimering

Kapittel 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

Detaljer

Medisinsk statistikk, del II, vår 2009 KLMED 8005

Medisinsk statistikk, del II, vår 2009 KLMED 8005 Medssk statstkk, del II, vår 009 KLMED 8005 Erk Skogvoll Førsteamauess dr. med. Ehet for Avedt klsk forskg Det medsske fakultet Leær regresjo, Roser..6 Bakgru (.) Modell (.) Estmerg av parametre modelle

Detaljer

Estimering og hypotesetesting. Estimering og hypotesetesting. Estimering og hypotesetesting. Kapittel 10. Ett- og toutvalgs hypotesetesting

Estimering og hypotesetesting. Estimering og hypotesetesting. Estimering og hypotesetesting. Kapittel 10. Ett- og toutvalgs hypotesetesting 3 Estimerig og hypotesetestig Kapittel 10 Ett- og toutvalgs hypotesetestig TMA445 V007: Eirik Mo Feome Bilkjørig Høyde til studeter Estimator ˆp = X, X atall ˆµ = X gjeomsittlig høyde. som syes de er flikere

Detaljer

(iii) Når 5 er blitt trukket ut, er det tre igjen som kan blir trukket ut til den siste plassen, altså:

(iii) Når 5 er blitt trukket ut, er det tre igjen som kan blir trukket ut til den siste plassen, altså: A-besvarelse ECON2130- Statstkk 1 vår 2009 Oppgave 1 A) () Antall kke-ordnede utvalg: () P(Arne nummer 1) = () Når 5 er bltt trukket ut, er det tre gjen som kan blr trukket ut tl den sste plassen, altså:

Detaljer

KLMED8004 Medisinsk statistikk. Del I, høst Estimering. Tidligere sett på. Eksempel hypertensjon

KLMED8004 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

Detaljer

Modeller og parametre. STK Punktestimering - Kap 7. Eksempel støtfangere. Statistisk inferens. Binomisk fordeling. p X (x) = p x (1 p) n x

Modeller og parametre. STK Punktestimering - Kap 7. Eksempel støtfangere. Statistisk inferens. Binomisk fordeling. p X (x) = p x (1 p) n x STK1100 - Puktestimerig - Kap 7 Geir Storvik Modeller og parametre Biomisk fordelig ( ) p X (x) = p x (1 p) x x Parameter: p Normalfordelig f X (x) = 1 2πσ e 1 2σ 2 (x µ) 2 11. april 2016 Parametre: µ,

Detaljer

HØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi

HØGSKOLEN 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

Detaljer

LØSNING, 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, 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

Detaljer

) = P(Z > 0.555) = > ) = P(Z > 2.22) = 0.013

) = 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 >

Detaljer

TMA4265 Stokastiske prosesser

TMA4265 Stokastiske prosesser Norges teknsk-naturvtenskapelge unverstet Insttutt for matematske fag TMA65 Stokastske prosesser Våren Løsnngsforslag - Øvng Oppgaver fra læreboka.6 P er dobbelt stokastsk P j j La en slk kjede være rredusbel,

Detaljer

Kapittel 1: Beskrivende statistikk

Kapittel 1: Beskrivende statistikk Kapttel : Bekrvede tattkk Defjoer: Populajo og utvalg Populajo: Alle mulge obervajoer v ka gjøre (,,, N ). Utvalg: Delmegde av populajoe (,,, der

Detaljer

Anne Vedø Estimering av materialfordelingen til husholdningsavfall i 2004 Dokumentasjon av estimeringsmetoder

Anne Vedø Estimering av materialfordelingen til husholdningsavfall i 2004 Dokumentasjon av estimeringsmetoder Notater 38/00 Ae Vedø Estmerg av materalfordelge tl usoldgsavfall 004 Dokumetaso av estmergsmetoder Statstsk setralbrå Statstcs Norwa Oslo Kogsvger Notater I dee sere ublseres dokumetaso metodebeskrvelser

Detaljer