Matematisk statistik 9 hp, HT-16 Föreläsning 12, Hypotesprövning
|
|
- Karsten Pettersen
- 6 år siden
- Visninger:
Transkript
1 Matematisk statistik 9 hp, HT-16 Föreläsning 12, Hypotesprövning Anna Lindgren november, 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F12: Hypotestest 1/17
2 Konfidensintervall Ett konfidensintervall för en parameter θ täcker rätt värde på θ med sannolikheten 1 α. 1 α kallas konfidensgrad. Vanliga värden är 0.95, 0.99 och Intervall för normal(approximation) Om θ N(θ, D(θ )) eller θ N(θ, D(θ )): Om D(θ ) känd: I θ = θ ± λ α/2 D(θ ) Om D(θ ) okänd, skattas med d(θ ): I θ = θ ± t α/2 (f) d(θ ) om d(θ ) innehåller σ = s = I θ = θ ± λ α/2 d(θ ) annars Q f Anna Lindgren anna@maths.lth.se FMS012/MASB03 F12: Hypotestest 2/17
3 Ex Hypotesprövning Exempel: Fosforhalt Man har mätt fosforhalten (μg/l) i en viss sjö n = 4 gånger: Vi antar att mätningarna är oberoende observationer av X i N(μ, σ) där μ är den sanna fosforhalten i sjön. Vi vet att σ = 16 och skattar μ = x = Om fosforhalten i en sjö överstiger 100 μg/l klassas sjön som hypertrof (övergödd). Kan vi påstå att sjön är övergödd, baserat på dessa fyra mätningar? Är 100 ett orimligt väntevärde om skattningen blev ? (Konfidensintervall) Ligger bland de värden man inte kan förvänta sig att få om väntevärdet är 100? (Kritiskt område) Hur osannolikt är värdet om väntevärdet är 100? (Direktmetoden) Anna Lindgren anna@maths.lth.se FMS012/MASB03 F12: Hypotestest 3/17
4 Ex Hypotesprövning Hypotesprövning H 0 förkastas om observationerna, θ, avviker för mycket från nollhypotesen θ 0. Testa nollhypotesen H 0 : θ = θ 0 mot mothypotesen (t.ex.) H 1 : θ θ 0 på nivån α; signifikansnivån (felrisken) α ges av α = P(H 0 förkastas, givet att den är sann) För mycket beror på osäkerheten i skattningen, D(θ ), samt på signifikansnivån α. Normalt är α = 0.05, 0.01 eller Anna Lindgren anna@maths.lth.se FMS012/MASB03 F12: Hypotestest 4/17
5 Ex Hypotesprövning Mothypoteser De vanligaste mothypoteserna är H 1 : θ θ 0 H 0 förkastas om θ avviker för långt från θ 0 både uppåt och nedåt. H 1 : θ < θ 0 H 0 förkastas om θ är tillräckligt mycket < θ 0. H 1 : θ > θ 0 H 0 förkastas om θ är tillräckligt mycket > θ 0. Anna Lindgren anna@maths.lth.se FMS012/MASB03 F12: Hypotestest 5/17
6 Normalfördelning Fosforhalt Olika metoder för att utföra hypotestest 1. Konfidensmetoden. Gör ett konfidensintervall med konfidensgraden 1 α och förkasta H 0 på nivån α om intervallet ej täcker θ 0. Intervallen skall, beroende på H 1, vara Test H 1 : θ < θ 0 H 1 : θ θ 0 H 1 : θ > θ 0 Intervall: uppåt begr tvåsidigt nedåt begr 2. Testkvantitet T(X) och kritiskt område C Förkasta H 0 om testkvantiteten hamnar i det kritiska området. C och T skall väljas så att α = P(T(X) C) = P(Förkasta H 0 om H 0 är sann) 3. Direktmetoden eller P-värde Antag att H 0 är sann Räkna ut P-värdet p = P(Få det vi fått eller värre) Förkasta H0 om p < α Anna Lindgren anna@maths.lth.se FMS012/MASB03 F12: Hypotestest 6/17
7 Normalfördelning Fosforhalt Normalfördelning, θ N (θ, D(θ )), H 0 : θ = θ 0 Testkvantitet: T = θ θ 0 D(θ ), D(θ ) känd T = θ θ 0 d(θ ), D(θ ) okänd och σ = s = Förkasta H 0 om (kritiska områden) Q f H 1 : θ < θ 0 H 1 : θ θ 0 H 1 : θ > θ 0 D(θ ) känd T < λ α T > λ α/2 T > λ α D(θ ) okänd T < t α (f) T > t α/2 (f) T > t α (f) Jfr. kvantiler λ α eller t α med konfidensintervallen. Anna Lindgren anna@maths.lth.se FMS012/MASB03 F12: Hypotestest 7/17
8 Normalfördelning Fosforhalt Lämplig procedur för lösningar: 1. Modell och problem: Vad är slumpmässigt och vilken fördelning kan det ha? Inför beteckningar, sätt upp en lämplig modell och formulera problemet. 2. Skattning: Vilken parameter är vi intresserade av, vad i den är okänt och hur skattar vi det? 3. Egenskaper: Vad har skattningen för egenskaper? 4. Lösning: Lös problemet. 5. Slutsats: Svara på frågan. Anna Lindgren anna@maths.lth.se FMS012/MASB03 F12: Hypotestest 8/17
9 Normalfördelning Fosforhalt Exempel: Fosforhalt(igen) 1. Modell och problem: Vi har n = 4 oberoende observationer x 1,..., x n från X i = fosformätning nr. i N(μ, σ) där σ = 16 är känd. Vi vill testa H 0 : μ = 100 mot H 1 : μ > 100 på signifikansnivån (t.ex.) α = Skattning: Vi skattar μ med μ = x = Egenskaper: Vi har att μ = X σ 16 (μ, ) = N(μ, ) = N(μ, 8). n 4 4. Lösning:... Anna Lindgren anna@maths.lth.se FMS012/MASB03 F12: Hypotestest 9/17
10 Normalfördelning Fosforhalt 4.a: Konfidensintervall (ensidigt!) I μ = (μ λ α D(μ ), ) = ( x λ 0.05 = ( , ) = (93.8, ) σ n, ) Eftersom μ 0 = 100 ligger i intervallet kan H 0 inte förkastas på signifikansnivå α = Slutsats: Vi kan inte påstå att sjön är övergödd. Anna Lindgren anna@maths.lth.se FMS012/MASB03 F12: Hypotestest 10/17
11 Normalfördelning Fosforhalt 4.b: Kritiskt område: Om H 0 är sann så gäller att μ N(μ 0, Teststorheten blir t = μ μ 0 D(μ ) = x = σ n ) = N(100, 8) Eftersom t λ α = λ 0.05 = 1.64 kan H 0 inte förkastas på signifikansnivån α = Slutsats: Vi kan inte påstår att sjön är övergödd. = Anna Lindgren anna@maths.lth.se FMS012/MASB03 F12: Hypotestest 11/17
12 Normalfördelning Fosforhalt 4.c: Direktmetoden: Om H 0 är sann så gäller att μ N(μ 0, σ n ) = N(100, 8). P-värdet för testet blir P = P(få det vi fått eller värre om H 0 är sann) = P( X > x μ = μ 0 ) = P( X > μ = 100) = 1 Φ( x μ 0 σ/ n = 1 Φ(0.87) = ) = 1 Φ( ) 8 Eftersom P = 0.19 α = 0.05 kan H 0 inte förkastas på signifikansnivån α = Slutsats:Vi kan inte påstår att sjön är övergödd. Anna Lindgren anna@maths.lth.se FMS012/MASB03 F12: Hypotestest 12/17
13 Rattonykterhet Styrkefunktion & Felrisker Styrkefunktion Används för att avgöra hur bra testet skiljer H 0 från H 1. h(θ) = P(Förkasta H 0 om θ är rätt värde) Typ 1-fel: Typ 2-fel: α = P(H 0 förkastas om H 0 sann) β = P(H 0 förkastas ej om H 0 ej sann) Vi ser att α = h(θ 0 ). Om rätt värde på θ är θ 1 fås β = 1 h(θ 1 ). Naturens okända sanning H 0 sann H 1 sann Vårt H 0 förk. ej β beslut H 0 förkastas α Anna Lindgren anna@maths.lth.se FMS012/MASB03 F12: Hypotestest 13/17
14 Rattonykterhet Felrisker Antag n = 5 observationer från en N (μ, 1) fördelning. Om vi vill testa H 0 : μ = 1 H 1 : μ > 1 blir fördelningen för μ då H 0 är sann respektive om μ = 2: Anna Lindgren anna@maths.lth.se FMS012/MASB03 F12: Hypotestest 14/17
15 Rattonykterhet Exempel: Rattonykterhet Gränsen för rattonykterhet är 0.2. Antag att mätvärdet vid en mätning, x i, är X i = μ + ε i där μ är den sanna alkoholhalten och ε i är oberoende, N(0, 0.04)-fördelade mätfel. För att avgöra om en person är skyldig till rattonykterhet kan man testa hypotesen på nivån α = H 0 : μ = 0.2 mot H 1 : μ > 0.2 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F12: Hypotestest 15/17
16 Rattonykterhet 1. Ange i ord vad felrisken α = P(Förkasta H 0 om H 0 är sann) innebär i hypotestestet ovan. 2. Om man gjort n = 3 mätningar och fått medelalkoholhalten till x = 0.24, skall man då dömas? 3. Hur högt kan det uppmätta medelvärdet, baserat på tre mätningar, vara utan att man döms? 4. Bestäm styrkefunktionen för testet. Dvs h(μ) = P(H 0 förkastas om μ är det sanna värdet) 5. Om den sanna alkoholhalten är 0.25, vad är då sannolikheten att inte dömas. 6. Hur många mätningar behöver göras för att man med högst β = 0.20 skall frikännas om man har 0.25? Anna Lindgren anna@maths.lth.se FMS012/MASB03 F12: Hypotestest 16/17
17 Rattonykterhet Styrkefunktion för testet av promillehalt (H 0 : μ = 0.2) h(µ) = P(Förkasta H 0 ) n = 3, σ = faktisk alkoholhalt µ n fördubblad resp. σ halverad faktisk alkoholhalt µ Den okända sanningen Nykter Olovligt påverkad Mätresultat μ = x Säkerhetsmarginal Kritiskt område Slutsats från test Frikänns Döms μ Anna Lindgren anna@maths.lth.se FMS012/MASB03 F12: Hypotestest 17/17
Matematisk statistik 9 hp, HT-16 Föreläsning 14: Enkel linjär regression
Matematisk statistik 9 hp, HT-16 Föreläsning 14: Enkel linjär regression Anna Lindgren 21+22 november, 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F14: Regression 1/21 Hypotesprövning Olika metoder
DetaljerFormelsamling Matematisk statistik för D3, VT02
Sida 1 Formelsamling Matematisk statistik för D3, VT02 Sannolikhetsmått För två händelser A och B gäller alltid att P (A B) = P (A) + P (B) P (A B) P (A ) = 1 P (A) P (A \ B) = P (A) P (A B) Kombinatorik
DetaljerMatematisk statistik för D, I, Π och Fysiker
Matematisk statistik för D, I, Π och Fysiker Föreläsning 16 Johan Lindström 11 december 2018 Johan Lindström - johanl@mathslthse FMSF45/MASB03 F16 1/32 Repetition Linjär regression Modell Parameterskattningar
DetaljerTMA4240 Statistikk Høst 2007
TMA4240 Statistikk Høst 2007 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer b4 Løsningsskisse Oppgave 1 Eksamen juni 1999, oppgave 3 av 3 a) µ populasjonsgjennomsnitt,
DetaljerLøsningsforslag statistikkeksamen desember 2014
Løsningsforslag statistikkeksamen desember 2014 Oppgave 1 a i. To hendelser er disjunke hvis det er intet overlapp mellom hendelsene, altså hvis A B = Ø. Siden vi har en sannsynlighet for å finne A B som
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Kp. 6, del 4
ÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Kp. 6, del 4 Bjørn H. Auestad Institutt for matematikk og naturvitenskap Universitetet i Stavanger 27. mars Bjørn H. Auestad Kp. 6: Hypotesetesting
DetaljerHypotesetesting. Formulere en hypotesetest: Når vi skal test om en parameter θ kan påstås å være større enn en verdi θ 0 skriver vi dette som:
Hypotesetesting. 10 og fore- Dekkes av pensumsidene i kap. lesingsnotatene. Hypotesetesting er en systematisk fremgangsmåte for å undersøke hypoteser (påstander) knyttet til parametre i sannsynlighetsfordelinger.
DetaljerTMA4240 Statistikk H2010 (20)
TMA4240 Statistikk H2010 (20) 10.5: Ett normalfordelt utvalg, kjent varians (repetisjon) 10.4: P-verdi 10.6: Konfidensintervall vs. hypotesetest 10.7: Ett normalfordelt utvalg, ukjent varians Mette Langaas
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Statistisk inferens (kap. 8) Statistisk inferens er å tolke/analysere resultater fra utvalget for å finne ut mest mulig
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Statistisk inferens (kap. 8) Statistisk inferens er å tolke/analysere resultater fra utvalget for å finne ut mest mulig
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Kp. 6, del 3
ÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Kp. 6, del 3 Bjørn H. Auestad Institutt for matematikk og naturvitenskap Universitetet i Stavanger 20. mars Bjørn H. Auestad Kp. 6: Hypotesetesting
DetaljerForkaste H 0 "Stikkprøven er unormal" Akseptere H 0 "Stikkprøven er innafor normalen" k kritisk verdi. Utgangspunkt for H 0
* 6.2. Hypotesetest i normalfordeling med kjent σ v.h.a. kritisk verdi (fra i går) Overordnet mål med hypotesetest i normalfordeling: vurdere en påstand om µ ("er den påståtte verdien for µ riktig, eller
DetaljerLØSNINGSFORSLAG ) = Dvs
LØSNINGSFORSLAG 12 OPPGAVE 1 D j er differansen mellom måling j med metode A og metode B. D j N(µ D, 0.1 2 ). H 0 : µ D = 0 mot alternativet H 1 : µ D > 0. Vi forkaster om ˆµ D > k Under H 0 er ˆµ D =
DetaljerStatistisk inferens (kap. 8) Hovedtyper av statistisk inferens. ST0202 Statistikk for samfunnsvitere
2 Statistisk inferens (kap. 8) Statistisk inferens er å tolke/analysere resultater fra utvalget for å finne ut mest mulig om populasjonen. Konkret: Analysere en observator for å finne ut noe om korresponderende
DetaljerStatistisk inferens (kap. 8) Hovedtyper av statistisk inferens. ST0202 Statistikk for samfunnsvitere
2 Statistisk inferens (kap. 8) Statistisk inferens er å tolke/analysere resultater fra utvalget for å finne ut mest mulig om populasjonen. Konkret: Å analysere en utvalgsobservator for å trekke slutninger
DetaljerUNIVERSITETET I OSLO
Eksamen i: UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet STK1110 FASIT. Eksamensdag: Tirsdag 11. desember 2012. Tid for eksamen: 14.30 18.30. Oppgavesettet er på 5 sider. Vedlegg: Tillatte
DetaljerSFB LØSNING PÅ EKSAMEN HØSTEN 2018
SFB107111 - LØSNING PÅ EKSAMEN HØSTEN 018 Eksamen høsten 018 Oppgave 1 Anta at 70% av studentene spiller fotball og at 0% ikke spiller fotball. Anta at av de som spiller fotball så er det 40% som spiller
DetaljerÅMA 110 SANNSYNLIGHETSREGNING MED STATISTIKK Løsningsforslag til regneøving nr. 12 (s. 34)
ÅMA 110 SANNSYNLIGHETSREGNING MED STATISTIKK Løsningsforslag til regneøving nr. s. 34 Oppgave.1 Situasjon betraktes som 7 Bernoulliforsøk; Suksess: dyr velger belønning 1, motsatt fiasko. P suksess = p;
Detaljerα =P(type I feil) = P(forkast H 0 H 0 er sann) =1 P(220 < X < 260 p = 0.6)
TMA4245 Statistikk Vår 212 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving 4 blokk II Løsningsskisse Oppgave 1 4 personer spurt. Hvis mellom 22 og 26 personer svarer
DetaljerKapittel 9 og 10: Hypotesetesting
Kapittel 9 og 1: Hypotesetesting Hypotesetesting er en standard vitenskapelig fremgangsmåte for å sjekke påstander. Generell problemstilling: Basert på informasjonen i data fra et tilfeldig utvalg ønsker
DetaljerTMA4240 Statistikk 2014
TMA4240 Statistikk 2014 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 12, blokk II Oppgave 1 På ein av vegane inn til Trondheim er UP interessert i å måle effekten
DetaljerTMA4240 Statistikk H2010 (19)
TMA4240 Statistikk H2010 (19) Hypotesetesting 10.1-10.3: Generelt om statistiske hypoteser 10.5: Ett normalfordelt utvalg Mette Langaas Foreleses mandag 25.oktober, 2010 2 Estimering og hypotesetesting
DetaljerDekkes av kap , 9.10, 9.12 og forelesingsnotatene.
Estimering 2 -Konfidensintervall Dekkes av kap. 9.4-9.5, 9.10, 9.12 og forelesingsnotatene. En (punkt-)estimator ˆΘ gir oss et anslag på en ukjent parameterverdi, men gir oss ikke noen direkte informasjon
DetaljerKapittel 10: Hypotesetesting
Kapittel 10: Hypotesetesting TMA445 Statistikk 10.1, 10., 10.3: Introduksjon, 10.5, 10.6, 10.7: Test for µ i normalfordeling, 10.4: p-verdi Turid.Follestad@math.ntnu.no p.1/19 Estimering og hypotesetesting
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren
ÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Oppsummering Bjørn H. Auestad Institutt for matematikk og naturvitenskap Universitetet i Stavanger 24. april Bjørn H. Auestad Oppsummering våren
DetaljerAlkoholpolitik i förändring:
Alkoholpolitik i förändring: från dryckerna till drickandet i fokus Bengt Ekdahl ValueMerge Consulting - hjälper företag att förstå sina kunder Drickandets utveckling i Sverige 1997-2003 Totalkonsumtionens
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren
ÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Kp. 6, del 4 Bjørn H. Auestad Institutt for matematikk og naturvitenskap Universitetet i Stavanger 3. april Bjørn H. Auestad Kp. 6: Hypotesetesting
DetaljerÖvningar till Matematisk analys IV Erik Svensson
MATEMATISKA INSTITUTIONEN STOCKHOLMS UNIVERSITET Avd. Matematik 1-1-4 Övningar till Matematisk analys IV Erik Svensson L 1. Avgör om fx, y) 1 + x + y )e x y förekommande fall största/minsta värdet. har
DetaljerVad är maskininlärning? Praktisk information om kursen Exempel. Maskininlärning 2D1431. Örjan Ekeberg. Okt Dec, 2004
2D1431 Okt Dec, 2004 1 Vad är maskininlärning? Definition av lärande Tillämpningar 2 Kursregistrering Examination Kursinnehåll Laborationer 3 Definition av lärande Tillämpningar 1 Vad är maskininlärning?
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2010 Oppsummering
ÅMA110 Sannsynlighetsregning med statistikk, våren 2010 Oppsummering Bjørn H. Auestad Institutt for matematikk og naturvitenskap Universitetet i Stavanger 21. april Bjørn H. Auestad Oppsummering våren
Detaljerestimert verdi ± feilmargin = X ± et visst antall standardavvik for snittet = X ± u α/2 σ n
5.4:Konfidensintervall (fra sist) Konfidensintervall for et gjennomsnitt µ: estimert verdi ± feilmargin = X ± et visst antall standardavvik for snittet = X ± u α/2 σ n u α/2 kalles en kvantil for standard
DetaljerEksamensoppgave i ST1201/ST6201 Statistiske metoder
Institutt for matematiske fag Eksamensoppgave i ST1201/ST6201 Statistiske metoder Faglig kontakt under eksamen: Nikolai Ushakov Tlf: 45128897 Eksamensdato: 20. desember 2016 Eksamenstid (fra til): 09:00
DetaljerHypotesetest: generell fremgangsmåte
TMA4240 Statistikk H2010 (21) 10.8, 10.10: To normalfordelte utvalg 10.9: Teststyrke og antall observasjoner Mette Langaas Foreleses mandag 1.november, 2010 2 Hypotesetest: generell fremgangsmåte Generell
DetaljerLite teori... SME118 - Mätteknik & Signalbehandling SME118. Johan Carlson 2. Lite teori... Dagens meny
Lite teori... Påminnner först om faltningsegenskapen hos Fouriertransformen. y(t) = x(t) h(t) F Y (ω) = X(ω)H(ω). (1) På liknande sätt motsvaras en multiplikation i tidsplanet av en faltning i frekvensplanet,
DetaljerTMA4240 Statistikk 2014
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 9, blokk II Løsningsskisse Oppgave Scriptet run confds.m simulerer n data x,..., x n fra en normalfordeling med
DetaljerLøsningsforslag Eksamen i Statistikk SIF5060 Aug 2002
Løsningsforslag Eksamen i Statistikk SIF5060 Aug 2002 Oppgave 1 a) En god estimator er forventningsrett og har liten varians. Vi tester forventningsretthet: E[ˆµ] E[Y ] µ E[ µ] E[ 1 2 X + 1 2 Y ] 1 2 E[X]
DetaljerSTK Oppsummering
STK1110 - Oppsummering Geir Storvik 11. November 2015 STK1110 To hovedtemaer Introduksjon til inferensmetoder Punktestimering Konfidensintervall Hypotesetesting Inferens innen spesifikke modeller/problemer
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren Hypotesetesting (kp. 6) Hypotesetesting, innledning. Kp.
ÅMA Sannsynlighetsregning med statistikk, våren 8 Kp. 6 Hypotesetesting Hypotesetesting (kp. 6) Tre deler av faget/kurset:. Beskrivende statistikk. Sannsynlighetsteori, sannsynlighetsregning 3. Statistisk
DetaljerOppgave 1. X 1 B(n 1, p 1 ) X 2. Vi er interessert i forskjellen i andeler p 1 p 2, som vi estimerer med. p 1 p 2 = X 1. n 1 n 2.
Løsningsforslag til eksamen i MOT310 STATISTISKE METODER 1 VARIGHET: 4 TIMER DATO: 17 november 2008 TILLATTE HJELPEMIDLER: Kalkulator: HP30S, Casio FX82 eller TI-30 Tabeller og formler i statistikk Tapir
DetaljerTMA4245 Statistikk Eksamen desember 2016
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag TMA4245 Statistikk Eksamen desember 2016 Oppgave 1 En bedrift produserer elektriske komponenter. Komponentene kan ha to typer
DetaljerH 0 : Null hypotese. Konservativ. H 1 : Alternativ hypotese. Endring. Kap.10 Hypotesetesting
Hypotesetesting H 0 : Null hypotese. Konservativ. H 1 : Alternativ hypotese. Endring. Rettsvesen hypotese Tiltalte er uskyldig inntil det motsatte er bevist. Hypoteser H 0 : Tiltalte er uskyldig H 1 :
DetaljerMerk at vi for enkelthets skyld antar at alle som befinner seg i Roma sentrum enten er italienere eller utenlandske turister.
ECON230: EKSAMEN 20 VÅR - UTSATT PRØVE 2 TALLSVAR. Oppgave Da Anne var på besøk i Roma, fikk hun raskt problemer med språket. Anne snakker engelsk, men ikke italiensk, og kun av 5 italienere behersker
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Kp. 6, del 3
ÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Kp. 6, del 3 Bjørn H. Auestad Institutt for matematikk og naturvitenskap Universitetet i Stavanger 20. mars Bjørn H. Auestad Kp. 6: Hypotesetesting
DetaljerFasit for tilleggsoppgaver
Fasit for tilleggsoppgaver Uke 5 Oppgave: Gitt en rekke med observasjoner x i (i = 1,, 3,, n), definerer vi variansen til x i som gjennomsnittlig kvadratavvik fra gjennomsnittet, m.a.o. Var(x i ) = (x
DetaljerEKSAMEN 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
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Kap. 10: Inferens om to populasjoner Situasjon: Det er to populasjoner som vi ønsker å sammenligne. Vi trekker da et utvalg
DetaljerLøsningsforslag eksamen 27. februar 2004
MOT30 Statistiske metoder Løsningsforslag eksamen 7 februar 004 Oppgave a) Y ij = µ i + ε ij, der ε ij uavh N(0, σ ) der µ i er forventa kopperinnhold for legering i og ε ij er feilleddet (tilfeldig variasjon)
DetaljerECON240 VÅR / 2016 BOKMÅL
ECON240 VÅR / 2016 BOKMÅL UNIVERSITETET I BERGEN EKSAMEN UNDER SAMFUNNSVITENSKAPELIG GRAD [ DATO og KLOKKESLETT FOR EKSAMEN (START OG SLUTT) ] Tillatte hjelpemidler: Matematisk formelsamling av K. Sydsæter,
DetaljerLøsningsforslag: STK2120-v15.
Løsningsforslag: STK2120-v15 Oppgave 1 a) Den statistiske modellen er: X ij = µ i + ϵ ij, j = 1,, J, i = 1,, I Her indekserer i = 1,, I gruppene og j = 1,, J observasjone innen hver gruppe Feilleddene
DetaljerEstimering og hypotesetesting
Kapittel 10 Ett- og toutvalgs hypotesetesting TMA4245 V2007: Eirik Mo 2 Estimering og hypotesetesting Fenomen Bilkjøring Høyden til studenter Spørsmål Hvor stor andel av studentene synes de er flinkere
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Inferens om varians og standardavvik for ett normalfordelt utvalg (9.4) Inferens om variansen til en normalfordelt populasjon
DetaljerOppsummering av STK2120. Geir Storvik
Oppsummering av STK2120 Geir Storvik Vår 2011 Hovedtemaer Generelle inferensmetoder Spesielle modeller/metoder Bruk av R Vil ikke bli testet på kommandoer, men må forstå generelle utskrifter Generelle
DetaljerEstimering og hypotesetesting
Kapittel 10 Ett- og toutvalgs hypotesetesting TMA4240 H2006: Eirik Mo 2 Estimering og hypotesetesting Fenomen Bilkjøring Høyden til studenter Spørsmål Hvor stor andel av studentene synes de er flinkere
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren Hypotesetesting (kp. 6) Hypotesetesting. Kp. 6 Hypotesetesting ...
ÅMA Sannsynlighetsregning med statistikk, våren 6 Kp. 6 (kp. 6)... Begrep: nullhypotese alternativhypotese ensidig, tosidig teststørrelse (testobservator) nullfordeling kritisk verdi, forkastningsområde
DetaljerEcon 2130 uke 16 (HG)
Econ 213 uke 16 (HG) Hypotesetesting I Løvås: 6.4.1 6, 6.5.1-2 1 Testing av µ i uid modellen (situasjon I Z-test ). Grunnbegreper. Eksempel. En lege står overfor følgende problemstilling. Standardbehandling
DetaljerTMA4240 Statistikk Høst 2015
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 0, blokk II Løsningsskisse Oppgave Surhetsgrad i ferskvann Eksamen august 00, oppgave av 3 a) En god estimator
DetaljerHøgskolen i Telemark. Institutt for økonomi og informatikk FORMELSAMLING Statistikk I. Til bruk ved eksamen. Per Chr. Hagen
Høgskolen i Telemark Institutt for økonomi og informatikk FORMELSAMLING 6005 Statistikk I Til bruk ved eksamen Per Chr. Hagen . Sannsynlighetsregning. Regneregler Komplementsetningen: Addisjonssetningen:
DetaljerLøsningsforslag til andre sett med obligatoriske oppgaver i STK1110 høsten 2010
Løsningsforslag til andre sett med obligatoriske oppgaver i STK1110 høsten 2010 Oppgave 1 a Forventet antall dødsulykker i år i er E(X i λ i. Dermed er θ i λ i E(X i forventet antall dødsulykker per 100
DetaljerInferens. STK Repetisjon av relevant stoff fra STK1100. Eksempler. Punktestimering - "Fornuftig verdi"
Inferens STK1110 - Repetisjon av relevant stoff fra STK1100 Geir Storvik 12. august 2015 Data x 1,..., x n evt også y 1,..., y n Ukjente parametre θ kan være flere Vi ønsker å si noe om θ basert på data.
DetaljerFra i går Signifikanssannsynlighet (p verdi) vs. signifikansnivå Utgangspunkt for begge: Signifikansnivå α. evt.
Fra i går Signifikanssannsynlighet (p verdi) vs. signifikansnivå Utgangspunkt for begge: H 0 : µ = µ 0 H 1 : µ < µ 0 eller µ > µ 0 Signifikanssannsynlighet p Angir sannsynligheten for å få en X som er
DetaljerNotasjon og Tabell 8. ST0202 Statistikk for samfunnsvitere
2 Inferens om varians og standardavvik for ett normalfordelt utvalg (9.4) Inferens om variansen til en normalfordelt populasjon bruker kjikvadrat-fordelingen ( chi-square distribution ) (der kji er den
DetaljerLøsningsforslag eksamen 25. november 2003
MOT310 Statistiske metoder 1 Løsningsforslag eksamen 25. november 2003 Oppgave 1 a) Vi har µ D = µ X µ Y. Sangere bruker generelt trapesius-muskelen mindre etter biofeedback dersom forventet bruk av trapesius
DetaljerLØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4240 STATISTIKK Mandag 12. desember 2011
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag Side 1 av 10 LØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4240 STATISTIKK Mandag 12. desember 2011 Oppgave 1 Oljeleting a) Siden P(A
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK1110 Statistiske metoder og dataanalyse 1. Eksamensdag: Mandag 1. desember 2014. Tid for eksamen: 14.30 18.30. Oppgavesettet
DetaljerEksamensoppgåve i Løsningsskisse TMA4245 Statistikk
Institutt for matematiske fag Eksamensoppgåve i Løsningsskisse TMA4245 Statistikk Fagleg kontakt under eksamen: Gunnar Taraldsen a, Torstein Fjeldstad b Tlf: a 464 32 506, b 962 09 710 Eksamensdato: 23
DetaljerMatematik, LTH Kontinuerliga system vt Formelsamling. q t. + j = k. u t. (Allmännare ρ 2 u. t2 Svängningar i gaser (ljud) t 2 c2 2 u
Matematik, LH Kontinuerliga system vt 7 Formelsamling Formelsamligen utgör bara ett stöd för minnet. Beteckningar förklaras sålunda ej. Ej heller anges förutsättningar för formlernas giltighet. Fysikaliska
DetaljerVektorvärda funktioner
Vektorvärda funktioner En vektorvärd funktion är en funktion som ger en vektor som svar. Exempel på en sådan är en parametriserad kurva som r(t) = (t, t 2 ), 0 t 1, som beskriver kurvan y = x 2 då 0 x
DetaljerLøsning eksamen desember 2017
Løsning eksamen desember 017 Oppgave 1 Innfører hendelsene D: enheten er defekt K: enheten blir kassert a i Disse sannsynlighetene kan leses ut av oppgaveteksten: P D = 0, 10 P K D = 0, 07 P K D = 0, 95
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: STK1100 Statistiske metoder og dataanalyse 1 - Løsningsforslag Eksamensdag: Mandag 30. november 2015. Tid for eksamen: 14.30
Detaljeri 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
DetaljerEKSAMEN. TILLATTE HJELPEMIDLER: Kalkulator. Hornæs: Formelsamling statistikk HiG. John Haugan: Formler og tabeller.
KANDIDATNUMMER: EKSAMEN FAGNAVN: FAGNUMMER: Statistikk. BtG207 EKSAMENSDATO: 1. juni 2010. KLASSE: HIS 08 11. TID: kl. 8.00 13.00. FAGLÆRER: Hans Petter Hornæs ANTALL SIDER UTLEVERT: 3 (innkl. forside)
DetaljerTMA4240 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
DetaljerVerdens statistikk-dag.
Verdens statistikk-dag http://unstats.un.org/unsd/wsd/ Signifikanstester Ønsker å teste hypotese om populasjon Bruker data til å teste hypotese Typisk prosedyre Beregn sannsynlighet for utfall av observator
DetaljerFIRST LEGO League. Härnösand 2011. Laggabraxxarna. Lagdeltakere:
FIRST LEGO League Härnösand 2011 Presentasjon av laget Laggabraxxarna Vi kommer fra Timrå Snittalderen på våre deltakere er 1 år Laget består av 0 jenter og 0 gutter. Vi representerer Laggarbergs skola
DetaljerEksamensoppgave i TMA4240 Statistikk
Institutt for matematiske fag Eksamensoppgave i TMA4240 Statistikk Faglig kontakt under eksamen: Sara Martino a, Torstein Fjeldstad b Tlf: a 994 03 330, b 962 09 710 Eksamensdato: 28. november 2018 Eksamenstid
DetaljerEKSAMEN I FAG TMA4275 LEVETIDSANALYSE Lørdag 4. juni 2005 Tid: 09:00 13:00
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 Lørdag 4. juni 2005
DetaljerUNIVERSITETET 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
DetaljerST0103 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
Detaljer(a) For regresjon brukes vanligvis kvadratisk tap: L(y, ŷ) = (y ŷ) 2. Den optimale prediktor basert på input variable x er da Ŷ = E[Y x].
FORMELSAMLING TIL STK2100 (Versjon Mai 2017) 1 Tapsfunksjoner (a) For regresjon brukes vanligvis kvadratisk tap: L(y, ŷ) = (y ŷ) 2. Den optimale prediktor basert på input variable x er da Ŷ = E[Y x]. (b)
DetaljerSiden vi her har brukt første momentet i fordelingen (EX = EX 1 ) til å konstruere estimatoren kalles denne metoden for momentmetoden.
Estimeringsmetoder Momentmetoden La X, X 2,..., X n være uavhengige variable som er rektangulært fordelte på intervallet [0, θ]. Vi vet da at forventningsverdiene til hver observasjon og forventningen
DetaljerMatematisk statistikk og stokastiske prosesser B, høsten 2006 Løsninger til oppgavesett 5, s. 1. Oppgave 1
Matematisk statistikk og stokastiske prosesser B, høsten 2006 Løsninger til oppgavesett 5, s AR2-modell: Oppgave X t φ X t φ 2 X t 2 Z t Antas å være kausal slik at X t ψ j Z t j er ukorrelert med Z t+,
DetaljerTMA4240 Statistikk Høst 2016
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Anbefalt øving 9 Løsningsskisse Oppgave 1 a) Vi lar her Y være antall fugler som kolliderer med vindmølla i løpet av den gitte
DetaljerFasit og løsningsforslag STK 1110
Fasit og løsningsforslag STK 1110 Uke 36: Eercise 8.4: a) (57.1, 59.5), b) (57.7, 58, 9), c) (57.5, 59.1), d) (57.9, 58.7) og e) n 239. (Hint: l(n) = 1 = 2z 1 α/2 σ/n 1/2 ). Eercise 8.10: a) (2.7, 7.5),
Detaljer6.2 Signifikanstester
6.2 Signifikanstester Konfidensintervaller er nyttige når vi ønsker å estimere en populasjonsparameter Signifikanstester er nyttige dersom vi ønsker å teste en hypotese om en parameter i en populasjon
DetaljerTMA4240 Statistikk Høst 2009
TMA4240 Statistikk Høst 2009 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer b5 Løsningsskisse Oppgave 1 Vi ønsker å finne ut om et nytt serum kan stanse leukemi.
DetaljerÅMA 110 (TE 199) Sannsylighetsregning og statistikk Løsningsforslag til eksamen vår 2005, s. 1. Oppgave 1
ÅMA 0 (TE 99) Sannsylighetsregning og statistikk Løsningsforslag til eksamen vår 005, s. Oppgave a) P (X 0) 0.04 + 0.04 + 0.06 + 0.06 + 0. + 0. + 0. 0.6 P (0 X 40) 0.0 + 0.0 + 0.04 + 0.04 + 0.06 0.0 P
DetaljerLøsningsforslag oblig 1 STK1110 høsten 2014
Løsningsforslag oblig STK høsten 4 Oppgave I forbindelse med en studie av antioksidanter og antocyanider, ble innholdet av antocyan i 5 beger med blåbær målt. De målte verdiene var (i mg per gram): 55
DetaljerTMA4240 Statistikk Eksamen desember 2015
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag TMA4240 Statistikk Eksamen desember 15 Oppgave 1 La den kontinuerlige stokastiske variabelen X ha fordelingsfunksjon (sannsynlighetstetthet
DetaljerSvar til spørsmål I forbindelse med «Anskaffelse Display Vestfold og Telemark
Anskaffelse Display Vestfold og Telemark Vestviken Kollektivtrafikk Tønsberg, 27.01.12 Svar til spørsmål I forbindelse med «Anskaffelse Display Vestfold og Telemark Spørsmål DVT8 Fråga angående "Konkurransebetingelser
DetaljerTMA4240 Statistikk 2014
Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer 2, blokk II Løsigsskisse Oppgave a µ populasjosgjeomsitt, dvs. eit gjeomsitt for alle bilae som køyrer på vegstrekige
DetaljerTMA4240 Statistikk Høst 2009
TMA4240 Statistikk Høst 2009 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer b6 Oppgave 1 Oppgave 11.5 fra læreboka. Oppgave 2 Oppgave 11.21 fra læreboka. Oppgave
DetaljerIntroduksjon til inferens
Introduksjon til inferens Hittil: Populasjon der verdien til et individ/enhet beskrives med en fordeling. Her inngår vanligvis ukjente parametre, μ, p,... Enkelt tilfeldig utvalg (SRS), observator p =
DetaljerTMA4245 Statistikk Eksamen desember 2016
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag TMA4245 Statistikk Eksamen desember 2016 Oppgave 1 Ei bedrift produserer elektriske komponentar. Komponentane kan ha to typar
DetaljerST0202 Statistikk for samfunnsvitere
ST0202 Statistikk for samfunnsvitere Bo Lindqvist Institutt for matematiske fag 2 Kap. 10: Inferens om to populasjoner Situasjon: Vi ønsker å sammenligne to populasjoner med populasjonsgjennomsnitt henholdsvis
DetaljerKapittel 2: Hendelser
Kapittel 2: Hendelser FENOMEN Eksperiment Utfall Utfallsrom Eksperiment. Utfall. Eksperiment Utfall Hendelse Sannsynlighet: egenskaper, gunstige vs. mulige, relativ frekvens Sannsynlighet for mer enn en
DetaljerEksamensoppgave i SØK1004 Statistikk for økonomer
Institutt for samfunnsøkonomi Eksamensoppgave i Faglig kontakt under eksamen: Per Tovmo Tlf.: 73 55 02 59 Eksamensdato: 7. desember 2016 Eksamenstid (fra-til): 4 timer (09-13.00) Hjelpemiddelkode/Tillatte
DetaljerSF1901: SANNOLIKHETSLÄRA OCH STATISTIK ENKEL LINJÄR REGRESSION. Jan Grandell & Timo Koski
SF1901: SANNOLIKHETSLÄRA OCH STATISTIK FÖRELÄSNING 15. ENKEL LINJÄR REGRESSION Ja Gradell & Timo Koski 07.03.2016 Ja Gradell & Timo Koski Matematisk statistik 07.03.2016 1 / 63 INNEHÅLL Ekel lijär regressio,
DetaljerEksamensoppgåve i TMA4240 / TMA4245 Statistikk
Institutt for matematiske fag Eksamensoppgåve i TMA4240 / TMA4245 Statistikk Fagleg kontakt under eksamen: Håkon Tjelmeland Tlf: 48 22 18 96 Eksamensdato: 10. august 2017 Eksamenstid (frå til): 09.00-13.00
DetaljerST1201 Statistiske metoder
ST20 Statistiske metoder Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Løsigsforslag - Eksame desember 2005 Oppgave a Ma beyttet radomisert blokkdesig. I situasjoe har ma k =
Detaljer01.11.2012. Hvilke svar er mulige? 1) 8 2 a) 4-3 8 b) 5 c) 6. Ida Heiberg Solem Bjørnar Alseth. 2) 29 a) 885. + 1 c) 140.
Utmana studenter för att skapa motivation, resonemang och konstruktiv diskurs i klassrummet Ida Heiberg Solem Bjørnar Alseth Blekkflekkoppgaver Hvilke svar er mulige? 1) 8 2 a) 4-3 8 b) 5 c) 6 2) 29 a)
Detaljer