e) Gjenta b-d for døgnvannføring også (finnes på Hvis
|
|
- Magnhild Eriksen
- 7 år siden
- Visninger:
Transkript
1 Oppgave 1: Utfør R-koden på Denne koden skal gi svar på følgende: a Ta en titt på årsvannføringer snitt fra Hølen. b Se på histogram sammen med en normalfordeling med samme snitt forventing og varians som data momentestimat. Se om dataene ser noenlunde normalfordelt ut. c Gjør et QQ-plott for også å sjekke data mot normalfordelingen. d Gjør det samme som i b og c, men bruk lognormalfordelingen i stedet, der log-snitt og logvarians er den samme som i data log-momentestimat. e Gjenta b-d for døgnvannføring også finnes på Hvis konklusjonene blir litt ulike, hva er grunnen?
2 Oppgave : Er forventingsverdien til årsvannføringer fra Hølen 10m 3 /s? a Estimer forventningsverdien. b Sjekk om forventingen er 10m 3 /s ved en t-test tar hensn til usikkerheten i estimert varians. Bruk gjerne 5% signifikansnivå konfidens 95%. c Vis data sammen med konfidensintervallet. Er det en bekmring at såpass masse års-snitt ligger utenfor konfidensintervallet? Er det 95% sannsnlighet for at egentlig forventingsverdi ligger innefor det spesifikke konfidensintervallet? d Kunne vi gjort a-c for døgndata også? e Skal nå foreta samme analse der vi bruker lognormalfordelingen hellers enn normalfordelingen. Kjør en bootstrap-analse som angir 95% konfidensintervall. Hva sier dette om antagelsen forventing=10m 3 /s?
3 Ekstraoppgave 1: Terningsutfall På en kubisk terning er det 1/6 sannsnlighet for hver tpe utfall fra 1 til 6. Ved to terninger, er utfallene antatt uavhengig. a Hva er sannsnligheten for å få et spesifikt utfall på to terninger, f.eks. sannsnligheten for å få 5 på første terning og på andre? b Hva blir da sannsnligheten for å få sum= på de to terningene? Gjenta for sum=3, sum=4, sum=5, sum=6, sum=7, sum=8. c Hva er sannsnligheten for å få sum<=4? d Hva er sannsnligheten for to like? e Hva er sannsnligheten for å få to like og sum<=4? f Hva er sannsnligheten for enten å få sum<=4 eller to like terninger? Du kan bruke svaret fra c, d og e. g Både fra regelen for betinget sannsnlighet og fra listen av utfall der sum<=4, hva blir sannsnligheten for to like gitt sum<=4? h Regn ut sannsnligheten for sum<=4 gitt to like, både fra liste av mulige utfall og fra Baes formel.
4 Ekstraoppgave : På Blindern er det slik at det er 33.9% sjanse for at det regner en dag, hvis det regnet gårsdagen, og 1.9% sjanse for at det regner en dag hvis det ikke regnet gårsdagen. PS: Antar stasjonaritet, altså at alle sannsnligheter er de samme uavhengig av tidspunkt, under de samme forutsetningene. a Hva er sannsnligheten for at det regner en tilfeldig dag? I.e. hva er marginalsannsnligheten for regn? Tips: Pregn i dag=pregn i dag og regn i går+pregn i dag men ikke i går. b Hvorfor er sjansen for at det regnet i går gitt at det regner i dag også 33.9%? Tips: Baes formel
5 Ekstraoppgave 3 betingete sannsnligheter Hobbitun-rådet har avgjort at man skal ekspandere hobbit-landen vestover. Dessverre viser det seg at landene vestover er infisert av drager! Av de 10km10km arealene som er studert så langt, var 70% av dem drage-infisert. En standard-protokoll for område-undersøkelse ble lagt. Et standardisert testområde av mindre størrelse, inne i området man undersøker, blir finkjemmet av feltbiologer. Hobbitun biologiske avdeling har funnet at sannsnligheten for å finne drager i et testområde hvis området det er i er infisert av drager, er 50% Hvis det ikke er noen drage i området, blir det selvfølgelig ingen deteksjon i testområdet. Dragon Here be dragons?? Hobbit o dragons
6 Ekstraoppgave 3 forts. Modell: Områdets drage-status L Sanns. for drage detektert i testområde D Hva er marginal sannsnlighet for å finne en drage, hvis du ikke vet om området er infisert eller ikke? eller Hint: Loven om total sannsnlighet Vis med Baes formel at sannsnligheten for å at et område er infisert av drager, gitt at du fant en drage i testområdet, er 100%. Drager i området Drager funnet Ingen drager Drager funnet og er i området Finn sannsnligheten for at det er drager i området gitt at du ikke fant noen. Kunne du forvente at sannsnligheten minsket fra originalsannsnligheten 70% selv uten å vite deteksjonssannsnligheten? Drager i området Drager funnet Ingen drager Drager i området Ingen drager
7 Oppgave 3: Uavhengighet, Markov-kjeder og nedbør på Blindern Skal sjekke om tersklet døgnnedbøren på Blindern er uavhengig eller ikke. Alternativet er at den er en Markov-kjede. Angir nedbørstilstanden 0 eller 1 med i, der i angir dagen. Siden vi trenger å betinge på foregående tilstand setter vi til side den første tilstanden som 0. Antall dager bortsett fra dette betegnes n. ull-hpotese: edbørstilstanden 0 eller 1 er uavhengig fra dag til dag. Vi kan derfor spesifisere modellen med en parameter, p=sannsnligheten for regn en dag. Sannsnligheten for en gitt kombinasjon slike tilstander er da k nk P 1,, der k=antall dager med regn. Dette blir altså n p 1 p likelihood en til denne modellen. ML-estimatet til p blir da kan også tas direkte fra store talls lov: p ˆ k / n Alternativ hpotese: edbørstilstanden 0 eller 1 er en Markov-kjede. Har en overgangssannsnlighet fra ikke nedbør til nedbør på p R og en sannsnlighet for å at det regner neste dag hvis det regner nå på p RR. De to andre sannsnligheten er bare negasjonen av de foregående. Sannsnligheten for 1-p RR en gitt kombinasjon av tilstander er da: P 1,, n kr nr kr k p 1 p p 1 p RR RR R der k R og n R er antall regndager og dager totalt der det regnet foregående dag, og k og n er tilsvarende der det ikke regnet foregående dag. ML-estimatet på de to parametrene blir da p ˆ k / n, pˆ k / n RR R R R R n k p RR R p R 1-p R
8 Oppgave 3: Uavhengighet, Markov-kjeder og nedbør på Blindern forts. Skal sjekke om tersklet døgnnedbøren på Blindern er uavhengig eller ikke. Kode: Data: a For Blindern-data, hva blir estimatet på p null-hpotese og p R og p RR alternativ hpotese. Hvordan ser det ut til at sammenhengen mellom regn en dag og den neste er? b Fra ekstraoppgave a har man at marginalfordelingen for regn gitt p R og p RR alternativ hpotese er p =p R /1-p RR +p R vis evt. det. Sammenlign dette med p fra null-hpotesen. c Likelihood-ratio testen sjekker opp en mer avansert modell mot en nullhpotese ved: l der l a og l 0 er logaritmen av maksimal a l0 ~ k likelihood for alternativ og null-hpotese henholdsvis og er den såkalte kji-kvadratfordelingen fordelingen til kvadratet av noe standard normalfordelt og k er forskjellen i antall parametre. Beregn p-verdien og sjekk om man kan forkaste uavhengighet med 95% konfidens. I.e. er regntilstanden på Blindern uavhengig fra dag til dag? d Anta at ML-estimatorene for p R og p RR er ca normalfordelt asmptotisk teori og var p ˆ RR prr 1 prr / nrog tilsvarende for p R. Hva blir da 95% konfidensintervall for disse to parametrene? e Kjør parametrisk bootstrap for å se usikkerheten 95% konfidensintervall i p null-hpotese og p Markov-kjede. Sammenlign 95% konfidensintervall for p fra bootstrap og metodikken i d. 1-p RR p RR R p R 1-p R
9 Oppgave 4: Medisinsk eksempel oversatt til språkbruken i Baesiansk statistikk. Her må man oversette sannsnlighetstettheter tilbake til sannsnligheter og integral til summer. Det er 0.1% av befolkningen som har en gitt skdom. En test gir alltid positivt utslag hvis du har skdommen men kun 1% sannsnlighet for positivt utslag hvis du ikke har den. a Hva er a priori-fordelingen? b Hva er likelihood en for ulike utfall? c Beskriv og beregn via loven om total sannsnlighet a priori prediksjonsfordeling marginalfordeling. d Hva blir a posteriori-fordelingen, gitt positiv test eller negativ test? e Øvelse i avledet størrelse risikoanalse: Samfunnskostnaden K ved en helbredende operasjon er kr, mens ntte-effekten er kr hvis man er sk, 0kr hvis man er frisk. Hvis man har testet positiv, er det da samfunnssnttig å starte en operasjon med en gang? Beregn forventet samfunnsntte, E-K positiv test. f Den første testen var positiv. Hva blir a posteriori prediksjonsfordeling for en n test nå? g En n test foretas og gir også positivt utfall. Hva blir nå a posteriori sannsnlighet for at man er sk? Lønner det seg nå å foreta operasjonen?
10 Oppgave 5: Forventingsverdien til årsvannføringer fra Hølen Baesiansk analse Antar at data er normalfordelt. Har en vag men informativ prior for vannføringsforventningen, 0 ==10, se slide Antar vi kjenner =.83. Minner om formlene når alt er normalt: Likelihood: A priorifordeling, velger: A posteriori-fordeling: /, ~, n f, ~ 0 f, / /, / / ~ 0 n n n n f a Hvordan blir a posteriorifordelingen i dette tilfelle? Estimer vannføringsforventningen fra dette. Er dette veldig forskjellig fra det du fikk i oppgave 5a? b Lag et 95% troverdighetsintervall for vannførings-forventningen Tips: 95% av sannsnlighetsmassen befinner seg innenfor +/-1.96 standardavvik fra forventningsverdien i en normalfordeling. Ble dette me forskjellig fra 5b? Kan du fra dette konkludere noe angående antagelsen vannføringsforventning=10m 3 /s.
11 Oppgave 5 forts: Forventingsverdien til årsvannføringer fra Hølen Baesiansk analse Antar at data er normalfordelt. Har en vag men informativ prior for vannførings-forventningen, 0 ==10, se slide Antar vi kjenner =.83. Marginal sanns.-tetthet: f ~ 0, / n c Skal nå teste antagelsen vannførings-forventning=10m 3 /s Baesiansk. Sammenlign marginalsannsnlighetstettheten for de data vi fikk vs sannsnlighetstettheten når =10. Hva antder dette? d Skal nå bruke resultatet fra c til å regne på modellsannsnligheter. Modell 0 har =10 mens modell 1 er slik som spesifisert ovenfor. f D M Pr M Bruk Pr M D f D M ' Pr M ' og anta at a priori-sannsnligheten for hver modell er 50%. Hva blir konklusjonen? e Lag et plott over marginalfordelingen gitt ulike utfall og sammenlign med sannsnlighetstettheten nå =10 likelihood under modell 0. Hva sier dette om hvilke utfall som ville være evidens for modell 0 og 1?
12 Oppgave 6: Gjentaksanalse for bestemt nivå i kontinuerlig tid. Skal se på faren for å overgå en spesifikk vannførings-verdi. Stasjonen Grta har hatt vannføring>1.5m 3 /s =7 ganger i løpet av t=44 år. Antar slike hendelser foregår uavhengig i tid. Altså at antall hendelser innefor en tidsperiode er Poissonfordelt. Bruker gjentaks-intervall, T, som parameter i denne fordelingen. år man har data over en tidsperiode t, vil sannsnligheten for hendelser bli: L T P hendelser i løpet av tid Denne likelihood en maksimeres med optimerings-erfaring, vis dette. a Hva blir ML-estimatet? t T t / T! b Fra asmptotisk teori har man som nevnt at ˆ ~,I -1. For de med analtisk Bruk dette til å konstruere et 95% konfidensintervall når det opplses at I T t / T 3 og at normalfordelingen har 95% av sannsnlighetsmassen innenfor +/-1.96 standardavvik Sett in ML-estimatet for T. e t / T Tˆ l der I E er Fisher's informasjonsmatrise. t
13 Oppgave 7: Baesiansk gjentaksanalse for bestemt nivå i kontinuerlig tid. Skal se på faren for å overgå en spesifikk vannførings-verdi. Antar slike hendelser foregår uavhengig i tid. Altså at antall hendelser innefor en tidsperiode er Poissonfordelt. Bruker gjentaks-intervall, T, som parameter i denne fordelingen. Da får vi Antar invers-gamma-fordeling siden det er matematisk behagelig å gjøre det for gjentaksintervallet Får da at marginalfordelingen blir: dette er den såkalte negativ binomiske fordelingen. T t e T t T t P /! / tid løpet av hendelser i T e T T f / 1 t t p p p t P der 1 1 tid løpet av hendelser i
14 Oppgave 7 forts.: Kode finnes på t / T t / T P hendelser i løpet av tid t T e! 1 P hendelser i løpet av tid t p 1 p f T T t der p t Stasjonen Grta har hatt vannføring>1.5m 3 /s =7 ganger i løpet av t=44 år. a Plott a priori-fordeling og marginalfordeling hvis du bruker ==1 som førkunnskap. b Hva blir det generelle uttrkket for a posteriori-fordelingen til T? Plott den for Grta for ==1 sammen med a priori-fordelingen. Forsøk også ==0.5 og til og med ==0 ikkeinformativt. Ble det noen stor forskjell i a posteriori-fordelingen? Sammenlign med klassisk estimat: T ML =t/=1.63 år. c Finn 95% troverdighetsintervall ved å finne.5%- og 97.5%-kvantilen til a posteriorifordelingen, når prioren ==1 brukes. R-tips:.5%-kvantilen til inverse-gamme-fordelingen er en over 97.5%-kvantilen til gammafordelingen og vise versa. Sammenlign med 95% konfidensintervall i oppgave 4. d Kan du finne prediksjons-fordelingen til antall ne flommer på Grta de neste hundre år? Plott i så tilfelle denne. Sammenlign med Poisson-fordeling hvis man tar ML-parameteren for gitt. Hvorfor er sistnevnte fordeling skarpere enn den Baesianske prediksjonsfordelingen? e Kjør en enkel MCMC-algoritme fra a posteriori-fordelingen. Se etter når trekningen stabiliserer seg burn-in og hvor mange trekninger som trenges før du få en trekning som er ca. uavhengig spacing. f Hent 1000 uavhengige trekninger etter burn-in. Sammenlign med teoretisk a posteriorifordeling histogram og qq-plott. g Foreta n MCMC-trekning men bruk nå a priori som er ft=lognormal=0,=. Dette kan ikke løses analtisk. Sammenlign med de trekningene du fikk i d. 1 e / T
15 Oppgave 8: Ekstremverdi-analse på Bulken rundt 10 år med data. Kode: Data: : Skal bruke Gumbel-fordelingen som fordelings-kandidat her: f, 1 e / e / a Foreta et ekstremplott, det vil si sorter vannføringene og plott dem mot estimert n 0.1 gjentakintervall t i i der n er antall år og i er en løpe-indeks fra n til b Foreta en ekstremverditilpasning via første to l-momenter, 1 og. Ekstra: Sammenlign med det du får fra DAGUT. Parameterne forholder seg til l- momentene som = /log, = Estimater for 1 og fås som n n Sorterte data ˆ 1 ˆ 1 j, j 1 n j n j1 n n 1 j1 1 c Plott flomstørrelse som funksjon av gjentaksintervall gitt l-moment-estimatene sammen med data a. d Foreta ML-estimering av parameterne. e Plott flomstørrelse som funksjon av gjentaksintervall gitt ML-estimatene. f Foreta Baesiansk analse med flat prior. Foreta 1000 MCMC-trekninger burnin=1000, spacing=10. Sammenlign. Se på usikkerheten i parametrene fordelingen av parametre gitt data, a posteriorifordelingen altså. Se også på forløpet til trekningene. Har kjeden stabilisert seg er burn-in lang nok og er det avhengighet i trekningene kunne spacing med fordel settes høere? g Bruk også prediksjonsfordelingen altså der du tar parameterusikkerheten med i betraktningen til å foreta samme plott som i a, c og e. j
16 Oppgave 9: Ekstremverdi-analse på Bulken 10 år med data. Kode: Data: Ekstrakode: Skal bruke GEV-fordelingen som fordelings-kandidat her: 1 1 1/ f,, 1 e a Foreta ML-estimering av parameterne. Start med optimeringen fra tilfeldige start-parametre standardnormalfordelt. Gjør dette multiple ganger for å finne den globalt maksimale likelihood en. Plott ekstremverdier og tilpasning. b La t være en tids-indikator som løper fra 1:10. Tilpass via ML en modell der hver av parametrene i tur er lineært tidsavhengig, for eksempel om t= 0 + t. c Bruk AIC=-*logma likelihood+s*k, der k=antall parametre, til å avgjøre hvilken av modellene som er best, den uten tidsavhengighet eller en av de tre med. Den beste modellen er den med minst AIC. d Foreta Baesiansk analse på originalmodellen. Denne gangen ikke med flat prior, men der ~log3.89, 1.7, ~log.64,1.74, ~0.035, 0.3 Et estimat på naturens prior hentet fra et sett med ML-estimat for ulike stasjoner. Foreta 1000 MCMC-trekninger burnin=10000, spacing=100. Denne gangen kan en ferdig-rutine for MCMC brukes. Sjekk trekningene, er de ok? Hva er spredningenusikkerheten til parameterne? Sammenlign med a. e Gjør det samme for den beste av de tre modellene med tidsavhengige parametre. Sammenlign spredningene til parametrene med spredningen i nullmodellen. Se også på spredningen i tidsregresjonskoeffisienten og bruk dette til å diskuter modellen =0. Beregne a posteriori modellsannsnlighet for null-modell vs tidsavhengig modell når vi anta Ptidsavhengighet=50%. marginalfordelingen beregnes via en ferdiglagd importance-sampling-rutine. Har man fått evidens for tidsavhengig modell? f Her har den beste tidsavhengige modellen blitt brukt som en stand-in for summen av tre ulike modeller. De to andre var ifølge AIC ikke spesielt bra og man kan regne med at Baesiansk metodikk vil replikere dette. Hvis man tar hensn til dette, og gir den beste tidsavhengige modellen a priori-sannsnlighet 50/3%, hva blir da a posteriori-sannsnligheten? Er det overbevisende evidens man har fått? 1/
17 Oppgave 10: Skal nå kjøre ARMA-tilpasning av døgndata fra Hølen. Kode: a Plott data b De-trend fjern lineær tids-trend og sesongvariasjon. c Se på autokorrelsjon og partiell autokorrelasjon. d Tilpass en AR1-modell PS: pacf antder at AR er bedre. Se om estimert parameter er lik noe du så i 13c. e Lag analtiske plott av residualene. Hva sier de? f Forsøk så med en ARMA1,1-modell. Se igjen på residualene. Hva sier de nå?
18 Oppgave 11: Bruk av Kalman-filter til å interpolere over hull på Farstad stasjon, år Skal bruke enkleste tpe Markov-kjede, tilfeldig gange eller mer nøaktig, Wiener-prosess. Dataene er har varierende tidsoppløsning og blir log-transformert før analsen foretas. Oppdaterings-formelen sstemligningen er i i 1 ~ i 1, t i t i 1 Observasjonsligningen er i i ~ i, Total kun to parametre, med andre ord, og. Kode: Data: a Plott data. Serien har et umarkert hull i månedskiftet mai-juni som må markeres. I tillegg, lag kunstige hull: :00: :00: :00: :00: :00: :00: :00: :00: :00: :00:00 Plott data i hullene sammen med resterende data. b Ta en titt på det implementerte Kalman-filteret og sammenlign med beskrivelsen i kurset. c Kjør en ML-optimering og sjekk resultatene. Hva kan sies om observasjonsparameteren? d Foreta en Kalman-glatting med ML-estimerte parametre. Se på total-resultatet. e Sjekk hvordan interpoleringen har fungert i hullene. Hva slags interpolasjon er dette på log-skala? Hva får man ut her i tillegg til interpolasjonen? f Kritiser modellen og se om du skjønner hvorfor tilpasningen og usikkerhetene blir slik de blir. Om du er i det kreative hjørnet, prøv å foreslå bedre modeller.
19 Oppgave 1: Bruk av Kalman-filter til å interpolere over hull på stasjonene Etna og Hølervatn, Dataene er har ekvidistant tidsoppløsning døgn og blir log-transformert før analsen foretas. Skal bruke en - dimensjonal AR1-prosess så den har en stasjonær tilstand, krsskorrelert stø slik at kompletering blir mulig lik autokorrelasjon og varians, men individuell forventing og sesong-variasjoner i denne forventningen som antas lik for de to seriene. Oppdaterings-formelen sstemligningen er i der i1 ~ a i1 e S t h S 1 a t, 1 1 sin t / 365 C1cost / 365 sin t / 365 C1cost / 365 Observasjonsligningen er i, e/ h i, e/ h ~ i,, e / h Total åtte parametre, med andre ord: a, e h,,,s 1,C 1 og. Kode: Data: a Plott data. Lag kunstige hull spesifisert i T-koden. Plott data i hullene sammen med resterende data b Ta en titt på det implementerte Kalman-filteret og sammenlign med beskrivelsen i kurset. c Kjør en ML-optimering og sjekk resultatene. Hva vil autokorrelasjonen her ha å si? Hva har krsskorrelasjonen å si? d Foreta en Kalman-glatting med ML-estimerte parametre. Se på total-resultatet. e Sjekk hvordan kompletteringen har fungert i hullene. Hva skjer når begge stasjonene har hull samtidig? Et par kompletteringer ser ut til å fungere mindre bra. Hvorfor? f Sjekk om krsskorrelasjonen er null altså at det ikke er grunn til å kompletere, via likelihoodratio-testen. og
Oppgave 1: Terningsutfall På en kubisk terning er det 1/6 sannsynlighet for hver type utfall fra 1 til 6. Ved to terninger, er utfallene antatt
Oppgave 1: Terningsutfall På en kubisk terning er det 1/6 sannsnlighet for hver tpe utfall fra 1 til 6. Ved to terninger, er utfallene antatt uavhengig. a) Hva er sannsnligheten for å få et spesifikt utfall
betyr begivenheten at det blir trukket en rød kule i første trekning og en hvit i andre, mens B1 B2
ECON30: EKSAMEN 06v SENSORVEILEDNING. Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i
Kort overblikk over kurset sålangt
Kort overblikk over kurset sålangt Kapittel 1: Deskriptiv statististikk for en variabel Kapittel 2: Deskriptiv statistikk for samvariasjon mellom to variable (regresjon) Kapittel 3: Metoder for å innhente
TMA4240 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
Oppgaven består av 10 delspørsmål som anbefales å veie like mye. Kommentarer og tallsvar er skrevet inn mellom <<. >>. Oppgave 1
ECON 0 EKSAMEN 004 VÅR SENSORVEILEDNING Oppgaven består av 0 delspørsmål som anbefales å veie like mye. Kommentarer og tallsvar er skrevet inn mellom
Statistikk og dataanalyse
Njål Foldnes, Steffen Grønneberg og Gudmund Horn Hermansen Statistikk og dataanalyse En moderne innføring Kapitteloversikt del 1 INTRODUKSJON TIL STATISTIKK Kapittel 1 Populasjon og utvalg 19 Kapittel
Kapittel 3: Studieopplegg
Oversikt over pensum Kapittel 1: Empirisk fordeling for en variabel o Begrepet fordeling o Mål for senter (gj.snitt, median) + persentiler/kvartiler o Mål for spredning (Standardavvik s, IQR) o Outliere
STK juni 2016
Løsningsforslag til eksamen i STK220 3 juni 206 Oppgave a N i er binomisk fordelt og EN i np i, der n 204 Hvis H 0 er sann, er forventningen lik E i n 204/6 34 for i, 2,, 6 6 Hvis H 0 er sann er χ 2 6
Formelsamling i medisinsk statistikk
Formelsamling i medisinsk statistikk Versjon av 6. mai 208 Dette er en formelsamling til O. O. Aalen (red.): Statistiske metoder i medisin og helsefag, Gyldendal, 208. Gjennomsnitt x = n (x + x 2 + x 3
Ferdig før tiden 4 7 Ferdig til avtalt tid 12 7 Forsinket 1 måned 2 6 Forsinket 2 måneder 4 4 Forsinket 3 måneder 6 2 Forsinket 4 måneder 0 2
Besvar alle oppgavene. Hver deloppgave har lik vekt. Oppgave I En kommune skal bygge ny idrettshall og vurderer to entreprenører, A og B. Begge gir samme pristilbud, men kommunen er bekymret for forsinkelser.
UNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i STK2120 Statistiske metoder og dataanalyse 2 Eksamensdag: Mandag 6. juni 2011. Tid for eksamen: 14.30 18.30. Oppgavesettet er
EKSAMEN I TMA4300 BEREGNINGSKREVENDE STATISTIKK Torsdag 16 Mai, 2013
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side av 5 Kontakt: Jo Eidsvik 9747 EKSAMEN I TMA43 BEREGNINGSKREVENDE STATISTIKK Torsdag 6 Mai, 3 Tilatte hjelpemiddel: Gult
UNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK1100 Statistiske metoder og dataanalyse 1 - Løsningsforslag Eksamensdag: Mandag 30. november 2015. Tid for eksamen: 14.30
Oppgave 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
TMA4240 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
Et lite notat om og rundt normalfordelingen.
Et lite notat om og rundt normalfordelingen. Anta at vi har kontinuerlige data. Hva er likt og ulikt for histogrammer og fordelingskurver? Observasjoner Histogram Viser fordelingen av faktiske observerte
UNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK1110 Statistiske metoder og dataanalyse 1 Eksamensdag: Mandag 30. november 2015. Tid for eksamen: 14.30 18.00. Oppgavesettet
EKSAMEN I FAG TMA4240/TMA4245 STATISTIKK
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 5 Faglig kontakt under eksamen: John Tyssedal 41 64 53 76 EKSAMEN I FAG TMA4240/TMA4245 STATISTIKK Lørdag 10. august
Høgskolen i Telemark. Institutt for økonomi og informatikk FORMELSAMLING Statistikk I. Til bruk ved eksamen. Per Chr. Hagen
Høgskolen i Telemark Institutt for økonomi og informatikk FORMELSAMLING 6005 Statistikk I Til bruk ved eksamen Per Chr. Hagen . Sannsynlighetsregning. Regneregler Komplementsetningen: Addisjonssetningen:
Eksamensoppgave 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
Mer om Markov modeller
Høyere ordens Markov modeller Mer om Markov modeller p h mnr = Pr( Y j+ 3 = ah Y j+ 2 = am, Y j+ 1 = an, Y j = a : r For en k-te ordens Markov modell som modellerer en DNA prosess vil det være 3*4 k mulige
UNIVERSITETET I OSLO ØKONOMISK INSTITUTT
Eksamen i: ECON30 Statistikk UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Eksamensdag: 03.06.06 Sensur kunngjøres: 4.06.06 Tid for eksamen: kl. 09:00 :00 Oppgavesettet er på 5 sider Tillatte hjelpemidler:
A. i) Sett opp en frekvenstabell over de fire mulige kombinasjonene av kjønn og røykestatus. Dvs. fyll inn. Ikke - røyker Sum Jente Gutt Sum 25
1 ECON21: ESAEN 215v SENSORVEILEDNING. Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i > Grensen til bestått bør ligge på ca
HØGSKOLEN 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
STK1000 Uke 36, Studentene forventes å lese Ch 1.4 ( ) i læreboka (MMC). Tetthetskurver. Eksempel: Drivstofforbruk hos 32 biler
STK1000 Uke 36, 2016. Studentene forventes å lese Ch 1.4 (+ 3.1-3.3 + 3.5) i læreboka (MMC). Tetthetskurver Eksempel: Drivstofforbruk hos 32 biler Fra histogram til tetthetskurver Anta at vi har kontinuerlige
Eksponensielle klasser og GLM
!! 3 ksponensielle klasser, Dobson, Kap 3 ksponensielle klasser GLM n stokastisk variabel sies å ha fordeling i den eksponensielle fordelingsklasse som tettheten pktsannsh til kan skrives på formen STK3-3
TALLSVAR. Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i <<< >>>.
1 ECON213: EKSAMEN 217 VÅR - UTSATT PRØVE TALLSVAR. Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i
Et lite notat om og rundt normalfordelingen.
Et lite notat om og rundt normalfordelingen. Anta at vi har kontinuerlige data. Hva er likt og ulikt for histogrammer og fordelingskurver? Observasjoner Histogram Viser fordelingen av faktiske observerte
Første sett med obligatoriske oppgaver i STK1110 høsten 2015
Første sett med obligatoriske oppgaver i STK1110 høsten 2015 Dette er det første obligatoriske oppgavesettet i STK1110 høsten 2015. Oppgavesettet består av fire oppgaver. Du må bruke Matematisk institutts
STK Oppsummering
STK1110 - Oppsummering Geir Storvik 11. November 2015 STK1110 To hovedtemaer Introduksjon til inferensmetoder Punktestimering Konfidensintervall Hypotesetesting Inferens innen spesifikke modeller/problemer
Fasit 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
Eksamen i: STA-1002 Statistikk og sannsynlighet 2 Dato: Fredag 31. mai 2013 Tid: Kl 09:00 13:00 Sted: Administrasjonsbygget
FA K U L T E T FO R NA T U R V I T E N S K A P O G TE K N O L O G I EKSAMENSOPPGAVE Eksamen i: STA-1002 Statistikk og sannsynlighet 2 Dato: Fredag 31. mai 2013 Tid: Kl 09:00 13:00 Sted: Administrasjonsbygget
Supplement til power-point presentasjonen i medisinsk statistikk, forelesning 7 januar 2013. Skrevet av Stian Lydersen 16 januar 2013
1 Supplement til power-point presentasjonen i medisinsk statistikk, forelesning 7 januar 013. Skrevet av Stian Lydersen 16 januar 013 Vi antar at vårt utvalg er et tilfeldig og representativt utvalg for
Kontinuerlige sannsynlighetsfordelinger.
Kontinuerlige sannsynlighetsfordelinger. Dekkes av kap. 6 og deler av kap. 8.5 i boka. Husk: f(x er sannsynlighetstettheten til en kontinuerlig X dersom:. f(x 0 for alle x R 2. f(xdx = 3. P (a
Et lite notat om og rundt normalfordelingen. Anta at vi har kontinuerlige data. Hva er likt og ulikt for histogrammer og fordelingskurver?
Et lite notat om og rundt normalfordelingen. Anta at vi har kontinuerlige data. Hva er likt og ulikt for histogrammer og fordelingskurver? Boka (Ch 1.4) motiverer dette ved å gå fra histogrammer til tetthetskurver.
Fordelinger, mer om sentralmål og variasjonsmål. Tron Anders Moger
Fordelinger, mer om sentralmål og variasjonsmål Tron Anders Moger 20. april 2005 1 Forrige gang: Så på et eksempel med data over medisinerstudenter Lærte hvordan man skulle få oversikt over dataene ved
EKSAMEN I FAG 75510/75515 STATISTIKK 1 Tirsdag 20. mai 1997 Tid: 09:00 14:00
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 5 Faglig kontakt under eksamen: Håvard Rue 73 59 35 20 Håkon Tjelmeland 73 59 35 20 Bjørn Kåre Hegstad 73 59 35 20
Kapittel 8: Tilfeldige utvalg, databeskrivelse og fordeling til observatorar, Kapittel 9: Estimering
Kapittel 8: Tilfeldige utvalg, databeskrivelse og fordeling til observatorar, Kapittel 9: Estimering TMA4245 Statistikk Kapittel 8.1-8.5. Kapittel 9.1-9.3+9.15 Turid.Follestad@math.ntnu.no p.1/21 Har sett
EKSAMENSOPPGAVER STAT100 Vår 2011
EKSAMENSOPPGAVER STAT100 Vår 2011 Løsningsforslag Oppgave 1 (Med referanse til Tabell 1) a) De 3 fiskene på 2 år hadde lengder på henholdsvis 48, 46 og 35 cm. Finn de manglende tallene i Tabell 1. Test
Løsningsskisse eksamen 3MX
Løsningsskisse eksamen 3MX.6.6 Ikke sjekket, kan være feil. a) f 5tan 5 sincos 5 cos cos Eller: f 5tan 5tan 5 tan 5tan 5 (Produktregel) b) g u 3, u cos g 3u sin 3 cos sin (Kjerneregel. Kan multipliseres
Analyse av kontinuerlige data. Intro til hypotesetesting. 21. april 2005. Seksjon for medisinsk statistikk, UIO. Tron Anders Moger
Intro til hypotesetesting Analyse av kontinuerlige data 21. april 2005 Tron Anders Moger Seksjon for medisinsk statistikk, UIO 1 Repetisjon fra i går: Normalfordelingen Variasjon i målinger kan ofte beskrives
L12-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
Eksamensoppgave i TMA4240 Statistikk
Institutt for matematiske fag Eksamensoppgave i TMA4240 Statistikk Faglig kontakt under eksamen: Håkon Tjelmeland a, Sara Martino b Tlf: a 48 22 18 96, b 99 40 33 30 Eksamensdato: 30. november 2017 Eksamenstid
Multippel regresjon. Her utvider vi perspektivet for enkel lineær regresjon til også å omfatte flere forklaringsvariable x 1, x 2,, x p.
Multippel regresjon Her utvider vi perspektivet for enkel lineær regresjon til også å omfatte flere forklaringsvariable x 1, x 2,, x p. Det er fortsatt en responsvariabel y. Måten dette gjøre på er nokså
TMA4245 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
Introduksjon til Generaliserte Lineære Modeller (GLM)
Literatur / program Introduksjon til Generaliserte Lineære Modeller (GLM) STK3100-20. august 2007 Sven Ove Samuelsen Plan for første forelesning: 1. Introduksjon, Literatur, Program 2. ksempler 3. Uformell
ST0202 Statistikk for samfunnsvitere Kapittel 9: Inferens om én populasjon
ST0202 Statistikk for samfunnsvitere Kapittel 9: Inferens om én populasjon Bo Lindqvist Institutt for matematiske fag 2 Kap. 9: Inferens om én populasjon Statistisk inferens har som mål å tolke/analysere
ST0103 Brukerkurs i statistikk Forelesning 26, 18. november 2016 Kapittel 8: Sammenligning av grupper
ST0103 Brukerkurs i statistikk Forelesning 26, 18. november 2016 Kapittel 8: Sammenligning av grupper Bo Lindqvist Institutt for matematiske fag 2 Kapittel 8: Sammenligning av grupper Situasjon: Vi ønsker
Denne uken: kap. 6.1-6.2-6.3: Introduksjon til statistisk inferens. - Konfidensintervall - Hypotesetesting - P-verdier - Statistisk signifikans
Denne uken: kap. 6.1-6.2-6.3: Introduksjon til statistisk inferens - Konfidensintervall - Hypotesetesting - P-verdier - Statistisk signifikans VG 25/9 2011 Statistisk inferens Mål: Trekke konklusjoner
MAT4010 PROSJEKTOPPGAVE: Statistikk i S2. Olai Sveine Johannessen, Vegar Klem Hafnor & Torstein Mellem
MAT400 PROSJEKTOPPGAVE: Statistikk i S2 Olai Sveine Johannessen, Vegar Klem Hafnor & Torstein Mellem 20. mai 205 Innhold. Stokastisk Variabel.. Stokastiske variable som funksjoner 3 2. Forventningsverdi
i x i
TMA4245 Statistikk Vår 2016 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Anbefalte oppgaver 11, blokk II Oppgavene i denne øvingen dreier seg om hypotesetesting og sentrale
TMA4240 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,
Andre sett med obligatoriske oppgaver i STK1110 høsten 2010
Andre sett med obligatoriske oppgaver i STK1110 høsten 2010 Dette er det andre settet med obligatoriske oppgaver i STK1110 høsten 2010. Oppgavesettet består av fire oppgaver. Det er valgfritt om du vil
Løsningsforslag 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
Krysstabellanalyse (forts.) SOS1120 Kvantitativ metode. 4. Statistisk generalisering. Forelesningsnotater 9. forelesning høsten 2005.
SOS112 Kvantitativ metode Krysstabellanalyse (forts.) Forelesningsnotater 9. forelesning høsten 25 4. Statistisk generalisering Per Arne Tufte Eksempel: Hypoteser Eksempel: observerte frekvenser (O) Hvordan
EKSAMEN 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
Statistisk 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,
STK1100 våren 2019 Mere om konfidensintevaller
STK1100 våren 2019 Mere om konfidensintevaller Svarer til avsnitt 8.2 i læreboka Ørnulf Borgan Matematisk institutt Universitetet i Oslo 1 Konfidensintervall for µ i store utvalg Anta at de stokastiske
Om 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.
UNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK2120 Statistiske metoder og dataanalyse 2. Eksamensdag: Fredag 7. juni 2013. Tid for eksamen: 14.30 18.30. Oppgavesettet er
UNIVERSITETET I OSLO ØKONOMISK INSTITUTT
Utsatt eksamen i: ECON130 Statistikk 1 UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Eksamensdag: 1306017 Sensur kunngjøres senest: 3006017 Tid for eksamen: kl 09:00 1:00 Oppgavesettet er på 5 sider Tillatte
Medisinsk statistikk Del I høsten 2009:
Medisinsk statistikk Del I høsten 2009: Kontinuerlige sannsynlighetsfordelinger Pål Romundstad Beregning av sannsynlighet i en binomisk forsøksrekke generelt Sannsynligheten for at suksess intreffer X
Om 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
Matteknologisk utdanning
Statistikk, FO242N, AMMT, HiST 2. årskurs, 30. mai 2007 side 1 ( av 5) HØGSKOLEN I SØR-TRØNDELAG AVDELING FOR MAT- OG MEDISINSK TEKNOLOGI Matteknologisk utdanning Kandidatnr: Eksamensdato: 30. mai 2007
Løsningsforlag statistikk, FO242N, AMMT, HiST 2.årskurs, 7. desember 2006 side 1 ( av 8) LØSNINGSFORSLAG
Løsningsforlag statistikk, FO4N, AMMT, HiST.årskurs, 7. desember 006 side 1 ( av 8) LØSNINGSFORSLAG HØGSKOLEN I SØR-TRØNDELAG AVDELING FOR MAT- OG MEDISINSK TEKNOLOGI Matteknologisk utdanning Kandidatnr:
Notat 3 - ST februar 2005
Notat 3 - ST1301 1. februar 2005 1 Simulering fra modell Når vi skal analysere et gitt konkret innsamlet datasett vil vi gjøre dette med utgangspunkt i en statistisk modell. Vi kan si at en slik statistisk
HØGSKOLEN 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
EKSAMEN I FAG TMA4275 LEVETIDSANALYSE
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 5 Faglig kontakt under eksamen: Bo Lindqvist 975 89 418 EKSAMEN I FAG TMA4275 LEVETIDSANALYSE Fredag 26. mai 2006
Oppgaven består av 9 delspørsmål som anbefales å veie like mye. Kommentarer og tallsvar er skrevet inn mellom << >>. Oppgave 1
ECON 0 EKSMEN 007 VÅR SENSORVEILEDNING Oppgaven består av 9 delspørsmål som anbefales å veie like mye. Kommentarer og tallsvar er skrevet inn mellom >. Oppgave. La begivenhetene BC,, være slik at og
Denne uken: kap : Introduksjon til statistisk inferens. - Konfidensintervall - Hypotesetesting - P-verdier - Statistisk signifikans
Denne uken: kap. 6.1-6.2-6.3: Introduksjon til statistisk inferens - Konfidensintervall - Hypotesetesting - P-verdier - Statistisk signifikans VG 25/9 2011 Statistisk inferens Mål: Trekke konklusjoner
ST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Fra første forelesning: Populasjon Den mengden av individer/objekter som vi ønsker å analysere. Utvalg En delmengde av
år i 1 2 3 4 5 6 7 8 9 alder x i 37 38 39 40 41 42 43 44 45 tid y i 45.54 41.38 42.50 38.80 41.26 37.20 38.19 38.05 37.45 i=1 (x i x) 2 = 60, 9
TMA424 Statistikk Vår 214 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 11, blokk II Oppgave 1 Matlabkoden linearreg.m, tilgjengelig fra emnets hjemmeside, utfører
STK Oppsummering
STK1100 - Oppsummering Geir Storvik 6. Mai 2014 STK1100 Tre temaer Deskriptiv/beskrivende statistikk Sannsynlighetsteori Statistisk inferens Sannsynlighetsregning Hva Matematisk verktøy for å studere tilfeldigheter
TMA4240 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
TMA4245 Statistikk Eksamen august 2014
TMA4245 Statistikk Eksamen august 2014 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Oppgave 1 En bedrift produserer en type medisin i pulverform Medisinen selges på flasker
Prøveeksamen STK2100 (fasit) - vår 2018
Prøveeksamen STK2100 (fasit) - vår 2018 Geir Storvik Vår 2018 Oppgave 1 (a) Vi har at E = Y Ŷ =Xβ + ε X(XT X) 1 X T (Xβ + ε) =[I X(X T X) 1 X T ]ε Dette gir direkte at E[E] = 0. Vi får at kovariansmatrisen
TMA4240 Statistikk Høst 2018
TMA4240 Statistikk Høst 2018 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Innlevering 5 Dette er andre av tre innleveringer i blokk 2. Denne øvingen skal oppsummere pensum
EKSAMEN I FAG TMA4240/TMA4245 STATISTIKK Lørdag 10. august 2013
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 5 Fagleg kontakt under eksamen: John Tyssedal 41 64 53 76 EKSAMEN I FAG TMA4240/TMA4245 STATISTIKK Lørdag 10. august
TMA4240 Statistikk Høst 2016
TMA4240 Statistikk Høst 2016 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Anbefalt øving 11 Oppgavene i denne øvingen dreier seg om hypotesetesting og sentrale begreper
Inferens i regresjon
Strategi som er fulgt hittil: Inferens i regresjon Deskriptiv analyse og dataanalyse først. Analyse av en variabel før studie av samvariasjon. Emne for dette kapittel er inferens når det er en respons
UNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet. Eksamen i STK3100 Innføring i generaliserte lineære modeller Eksamensdag: Mandag 6. desember 2010 Tid for eksamen: 14.30 18.30 Oppgavesettet
Løsningsforslag 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
Eksponensielle klasser
Eksponensielle klasser, de Jong & Heller, Kap. 3 Eksponensielle klasser STK3100-1. september 2008 Sven Ove Samuelsen En stokastisk variabel Y sies å ha fordeling i den eksponensielle fordelingsklasse dersom
Sensorveiledning: skoleeksamen i SOS Kvantitativ metode
Sensorveiledning: skoleeksamen i SOS1120 - Kvantitativ metode Tirsdag 30. mai 2016 (4 timer) Poenggivning og karakter I del 1 gis det ett poeng for hvert riktige svar. Ubesvart eller feil svar gis 0 poeng.
TMA4240 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
TMA4240 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
Utfordring. 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
UNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK1110 Statistiske metoder og dataanalyse 1. Eksamensdag: Tirsdag 11. desember 2012. Tid for eksamen: 14.30 18.30. Oppgavesettet
ST1101/ST6101 Sannsynlighetsregning og statistikk Vår 2019
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag ST111/ST611 Sannsynlighetsregning og statistikk Vår 219 Løsningsforslag Øving 12 22. mars 219 Side 1 av 18 Løsningsforslag
EKSAMEN I TMA4245 Statistikk
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 5 Faglig kontakt under eksamen: Turid Follestad (98 06 68 80/73 59 35 37) Hugo Hammer (45 21 01 84/73 59 77 74) Eirik
KATEGORISKE DATA- TABELLANALYSE ANALYSE AV. Tron Anders Moger. 3. Mai 2005
ANALYSE AV KATEGORISKE DATA- TABELLANALYSE 3. Mai 2005 Tron Anders Moger Forrige gang: Snakket om kontinuerlige data, dvs data som måles på en kontinuerlig skala Hypotesetesting med t-tester evt. ikkeparametriske
TMA4240 Statistikk Høst 2016
TMA4240 Statistikk Høst 2016 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Anbefalt øving 12 Denne øvingen består av oppgaver om enkel lineær regresjon. De handler blant
Emnenavn: Eksamenstid: 4 timer. Faglærer: Hans Kristian Bekkevard
EKSAMEN Emnekode: SFB107111 Emnenavn: Metode 1, statistikk deleksamen Dato: 16. mai 2017 Hjelpemidler: Godkjent kalkulator og vedlagt formelsamling m/tabeller Eksamenstid: 4 timer Faglærer: Hans Kristian
ST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Kapittel 7: Utvalgsfordeling Bo Lindqvist Institutt for matematiske fag 2 Fra kapittel 1: Populasjon Den mengden av individer/objekter som vi ønsker å analysere. Utvalg
Kontroller at oppgavesettet er komplett før du begynner å besvare spørsmålene. Ved sensuren teller alle delspørsmål likt.
Eksamen i: MET040 Statistikk for økonomer Eksamensdag: 4 november 2008 Tid for eksamen: 09.00-13.00 Oppgavesettet er på 4 sider. Tillatte hjelpemidler: Alle trykte eller egenskrevne hjelpemidler og kalkulator.
Gruvedrift. Institutt for matematiske fag, NTNU. Notat for TMA4240/TMA4245 Statistikk
Gruvedrift Notat for TMA/TMA Statistikk Institutt for matematiske fag, NTNU I forbindelse med planlegging av gruvedrift i et område er det mange hensyn som må tas når en skal vurdere om prosjektet er lønnsomt.
Statistikk, FO242N, AMMT, HiST 2. årskurs, 30. mai 2007 side 1 ( av 8) LØSNINGSFORSLAG HØGSKOLEN I SØR-TRØNDELAG
Statistikk, FO242N, AMMT, HiST 2. årskurs, 30. mai 2007 side 1 ( av 8) LØSNINGSFORSLAG HØGSKOLEN I SØR-TRØNDELAG AVDELING FOR MAT- OG MEDISINSK TEKNOLOGI Matteknologisk utdanning Kandidatnr: Eksamensdato:
DEL 1 GRUNNLEGGENDE STATISTIKK
INNHOLD 1 INNLEDNING 15 1.1 Parallelle verdener........................... 18 1.2 Telle gunstige.............................. 20 1.3 Regneverktøy og webstøtte....................... 22 1.4 Oppgaver................................
Denne uken: kap : Introduksjon til statistisk inferens. - Konfidensintervall - Hypotesetesting - P-verdier - Statistisk signifikans
Denne uken: kap. 6.1-6.2-6.3: Introduksjon til statistisk inferens - Konfidensintervall - Hypotesetesting - P-verdier - Statistisk signifikans VG 25/9 2011 Statistisk inferens Mål: Trekke konklusjoner
Da 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)