Om enkel lineær regresjon II
|
|
- Halvor Austad
- 6 år siden
- Visninger:
Transkript
1 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 v kaller resposvarabele) og e forklargsvarabel som oppfattes som kke-stokastsk. V teker oss da at paret ( Y, ) observeres samme slk at Y ku observeres samme med gtte -verder. I eksemplet fra regresjos-i-otatet med skøytetder fra EM Heerevee 4, kue represetere 5m-tde ( sekuder), og Y represetere 15m-tde ( sekuder) e vlkårlg valgt skøyteløper vlle oppå dersom vedkommede løp 15m dage etterpå. Dee skøyteløpere er kke ødvedgvs e av dem som deltok Heerevee 4, me tekes tlfeldg valgt fra populasjoe av skøyteløpere mer geerelt 4 som var stad tl å løpe 5m på sekuder. (Jfr. ltt dskusjo av populasjosbegrepet avstt 4 regr.-i-otatet.) I de ekle (og eeste) regresjosmodelle pesum atas Y ormalfordelt, og sammehege mellom og Y uttrykkes va forvetge tl Y 1 (1) E( Y) ( ) for vlkårlg et passede defsjostervall. I tllegg atas at varase tl Y for gtt -verd er kostat uasett hva er: () var( Y) uasett hva er. Merk at v ka skrve dee modelle kort som Y ~ N( ( ), ) N(, ) for defsjostervallet. kalles for kostatleddet, for regresjoskoeffsete og ( ) for regresjosfuksjoe. tolkes ofte som effekte av e ehets edrg på Y. [ Begruelse: La 1 og 1 1 være to -verder med e ehets forskjell. La Y ' og være tlsvarede resposer. Forvetet edrg Y blr da E( Y '' Y ') E( Y '') E( Y ') ( 1) ( ) ( 1) ( ) ] Y '' 1 Symbolkollsjo: Merk at kostatleddet (1) kke må forveksles med de som dukker opp kofdesgrader og sgfkasvå hos Løvås.
2 (3) NB! Merk at hvs de sae verde er dee modelle, vl leddet forsve fra ( ) og fordelge for Y være de samme uasett hva er. I så fall er regresjosfuksjoe flat, og det er ge sammeheg mellom og Y. Modelle omfatter altså mulghete av at det kke er oe sammeheg mellom og Y. E alteratv og ekvvalet formulerg av modelle er (4) Y e der er e gtt kke-stokastsk størrelse og e er e stokastsk varabel (kalt felledd eller restledd ) som er ormalfordelt med forvetg og varas, dvs. e~ N(, ). Valgvs vl modelle referere tl e eller ae populasjo av teresse (jfr. skøyteeksemplet). I relasjo tl e slk populasjo (som kke ka observeres s helhet) vl parametree,, og og således også regresjosfuksjoe ( ), som oftest stå for ukjete populasjosstørrelser som v er teressert å s oe om basert på data trukket fra populasjoe. Modell for data (ekel uvarat regresjosmodell). Data består av gjetatte observasjoer av ( Y, ) : ( 1, y1),(, y),,(, y ). Uasett hvorda -ee er oppstått (stokastsk eller valgte tall), oppfatter v dem modelle vår som faste tall som om de skulle vært valgt på forhåd. y1, y,, y, dermot, oppfatter v som observasjoer av stokastske varable, Y1, Y,, Y, som oppfyller: (5) Y ( ) e for 1,,, der e1, e,, e er uavhegge og detsk ormalfordelte stokastske varable kalt restledd (Løvås: felledd ) med forvetg og varas ( kort e ~ N(, ), 1,,, ). Dee modelle er ekvvalet med å s at Y1, Y,, Y er uavhegge og ormalfordelte med forvetg, E( Y ) ( ) og kostat varas, var( Y ) (hvorfor?). Parametree,, tolkes å ettopp som de ukjete populasjosstørrelser v er teressert å s oe om (estmere eller teste hypoteser om) basert på data. Merk at de regresjoslja v bereger ut fra data bare er et estmat for (populasjos) regresjoslja og derfor kke lk dee. Forhåpetlgvs, mdlertd, lgger de ærhete. Merk at (5) omfatter både kjete (observerbare) og ukjete størrelser og med at modelle kyttes tl e populasjo som kke ka observeres s helhet. Størrelser v ka berege ut fra data kalles e slk sammeheg for observerbare. Dette gjelder ku -ee og Y -ee (5). Og kke resdual som Løvås felaktg kaller det ederst på sde 87 (øverst på sde 7). Resdual står for estmert (predkert) restledd som er oe aet, emlg e Y (se edefor).
3 3 Det stokastske restleddet, mdlertd, e Y, er e kke-observerbar stokastsk varabel sde de avheger av de ukjete populasjosstørrelsee, og (selv om v har observerte verder for, Y, vet v kke hvlke verd de tlsvarede e har fått). I tllegg tl å estmere,,, vl v også ofte være teressert å estmere forvetet Y ( ( )) for e eller ae utvalgt verd av teresse (som kke ødvedgvs må være blat -ee data). I så fall er v teressert ( ). For eksempel kue v være teressert å estmere forvetet td (gjeomsttlg td populasjoe) på 15m for skøyteløpere som oppår 6:3 m (39 sek) på 5m, emlg (39) 39. Mste kvadraters estmatorer, for og, er defert som fuksjoer av -ee og Y -ee som mmerer kvadratsumme ( ) 1 1 med hesy på og. Q e Y Dette er akkurat det samme mmergsproblemet som er gjeomført regr.-i-otatet og løsge er gtt regel det otatet (sde 8), der de eeste forskjelle er at de små y -ee (står for observerte tall) er byttet ut med de tlsvarede stokastske Y -ee. De fem størrelsee fra regr.-i-otatet som regresjosbergege bygger på blr å: (6) Y Y s S Y Y S Y Y Her er,, ( ), y ( ), y ( )( ) , s å oppfatte som kostater, mes Y S, y og S er stokastske varable. Av formlee regel regresjo-i-otatet pluss ltt kjedelg algebra basert på regel 4.1 og 4.17 Løvås, ka v formulere følgede regel Regel 1 (a) Mste kvadraters (mkv) estmatorer for,, ( ) er gtt ved y S, Y og ( ) s y (b), og ( ) er alle forvetgsrette. (c) Varasee er gtt ved var( ), ( 1) s var( ) 1 ( 1) s og 1 ( ) var( ( )) ( 1) s Merk at formlee som Løvås gr ederst på sde 9 (76) for varasee tl og, er ltt aderledes formulert. Sjekk selv at uttrykkee Løvås må være lk uttrykkee regel 1(c)
4 4 Sde mkv-estmatoree er forvetgsrette, vl stadardfelee være lk stadardavvket som v ser avheger av populasjos-stadardavvket,. V treger derfor å estmere dee.. Utgagspuktet er e estmator for : Motvasjo (frvllg lesg): Om restleddet, e Y, vet v at Ee ( ) 1 e 1 og var( e ) E( e ) E( e ) E( e ). Dermed (hvorfor?) E. Om v hadde kuet observere e -ee ut fra data (hvlket v kke ka), vlle v således kue beytte 1 e 1 som forvetgsrett estmator for. er mdlertd ubrukelg sde de kke er observerbar. Me, sde v ka estmere (predkere) det kke-observerbare restleddet, e, ved de observerbare resduale, e Y, er det aturlg å prøve å erstatte e med e. Ltt algebra (som v kke tar her) vser å at E e ( ). Dermed (hvorfor?) får v e forvetgsrett estmator for 1 1 ved e - som er de som beyttes prakss. V treger e 1 regeformel for dee. På gru av måte mkv-estmatoree er kostruert på, ser v at resduale, e, smpelthe er de stokastske varabele bak resduale, d, defert regr.-i-otatet. Av sde 1 otatet får v derfor e SSE, der E 1 SS å står for de stokastske varabele v får ved å bytte ut alle små y -er med store Y -er. Ved å beytte regel 3 regr.-i-otatet og sette for r S s S y ( y ), får v S S SS S S S s Motvasjo slutt. Av dette får v y y E ( 1) y 1 ( 1) ( 1) y y ss y s Regel (a) E forvetgsrett estmator for er gtt ved der SS E e Sy s (kalt s Løvås) e Y, 1,,,, er resdualee fra regresjoe. (b) Populasjos-stadardavvket,, estmeres valgvs ved (kalt s Løvås)
5 5 Iferes. La stå for e av de ukjete populasjosstørrelsee,,, ( ) Sde er forvetgsrett, er stadardfele lk stadardavvket, stadardfel som Løvås beteger med estmatore, SS ( ), regel. E, og for mkv estmatore. var( ). Estmert SE( ), fås ved å erstatte de ukjete med Tabell 1 ( er lk s Løvås) Mkv estmator Y S y s ( ) ( ) Estmert st.fel SE( ) 1 ( 1) s s 1 1 ( ) ( 1) s Tester og kofdestervall bygger å på det fudametale teoremet (bevst vderegåede teor) formulert regel 3, og følger det samme møsteret beskrevet for valge T-tervall og T-tester. Regel 3 (a) Uder modelle beskrevet (5) gjelder for alle W ~ t( ) -fordelt (t-fordelt med frhetsgrader), SE( ) (der SE( ) her står for estmert stadardfel). (b) Hvs 3 omtret, er W tlærmet N(,1) -fordelt selv om Y -ee kke er ormalfordelte. Kofdestervall. La t, betege α-kvatle t ( ) -fordelge (defert ved P( W t ) ).,
6 6 Av regel 3(a) får v et eksakt 3 1 kofdestervall for (7) t, SE( ) dvs. P t, SE t, SE ( ) ( ) 1. Tester. La betege e kjet hypotetsk verd av. Om de sae verde er lk eller kke, vet v kke. Som før vl v bruke samme testobservator for dverse tester om : Testobservator: T SE( ) Uder regel 3(a) vl T være t ( ) -fordelt som W ku det speselle tlfellet at, oe som er tlstrekkelg for å bestemme de krtske verde (som vl være e kvatl t ( ) - fordelge) og p-verde. Tabell Teststuasjo H H 1 Testobservator SE( ) T SE( ) T SE( ) -vå test: Forkast H hvs T t 1 T, T t, 3 T t P verd t er observert verd av T) ( o, ellert t, P ( ) T t o P ( ) T t o P ( T t o ) Merk at hvs 3 omtret ka v bytte ut t-fordelgskvatlee med tlsvarede kvatler N (,1) og oppå e test med tlærmet vå. Lkeledes uder beregge av p-verder, ka v ata T er tlærmet N(,1) -fordelt. Dette gjelder selv om Y -ee kke er ormalfordelte. Regeeksempel (Skøytedataee fra EM Heerevee 4) Atall observasjospar: 7 (ute Ervk). svarer tl tde ( sekuder) på 5m (kke-stokastsk) og Y står for tde ( sekuder) på 15m (stokastsk). 3 Dee alfae må kke forveksles med kostatleddet alfa regresjosfuksjoe ( ) populasjoe (Løvås otasjo)
7 7 De fem gruleggede størrelsee, som gjør reste av regresjosbereggee relatvt ekle med kalkulator, får v fra Ecel 4 : Tabell 3 Observert verd Y s S y S y Ata v tllegg tl regresjosparametree er teressert forvetet td på 15m hvs 5m tde (dage før) var 6:3 m blak (= 39 sek), emlg (39) 39. V fer observert verd: Estmatet på blr dermed: S SSE S ( y 1) y s (8) obs V fer å lett (med kalkulator eller Ecel): Tabell 4 Estmator Estmat obs St. fel SE( ) obs (39) sek (1:5 m).6948 V øsker 95% kofdestervall. V treger da kvatle t 5,.5.6 (fra tabell E5 (D5) Løvås). Tabell 5 95% kofdestervall Parameter Nedre grese (.6)SE Øvre grese (.6)SE (39) 18.4 sek sek (1:48 m) (1:51 m) 4 Jfr. Ecel-øvelse på slutte av Regresjo-I-otatet.
8 8 V øsker å å teste om det er sammeheg mellom og Y det hele tatt, emlg om det er sterk evdes data for at. Det betyr det geerelle oppsettet at å er og. Testobservatore blr her T SE( ) SE( ) og tabell 4 gr observert verd av testobservatore: t T obs Tosdg hypotese: H : mot H : 1 Valgt sgfkasvå: for eksempel 5%. Krtske verder: t5,.5.6 Testkrterum (5% sgfkasvå): Forkast H hvs Tobs.6 eller Tobs.6 Koklusjo: Forkast H sde Tobs 4.59, (eller: det er sterk evdes data for at ). I dette tlfellet er det kaskje rmelgere å formulere problemet som esdg ut fra allme vte (?) om skøyteløpere som deltar all-roud mesterskap: emlg at hvs det er sammeheg, så må de atakelg være postv. I så fall vlle v foretrekke å teste de esdge hypotese uder stedefor: Esdg hypotese: H : mot H : 1 Valgt sgfkasvå: for eksempel 5%. Krtsk verd: t 5, Testkrterum (5% sgfkasvå): Forkast H hvs Tobs 1.78 Koklusjo: Forkast H sde Tobs 4.59, (eller: det er sterk evdes data for at ).
Om enkel lineær regresjon II
ECON 3 HG, revdert 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
DetaljerOm 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
DetaljerEcon 2130 uke 19 (HG) Inferens i enkel regresjon og diskrete modeller
Eco 3 uke 9 (HG) Iferes ekel regresjo og dskrete modeller De ekle regresjosmodelle. Resultater fra 5m og 5m for me fra EM på skøyter Heerevee 4. ( er 5m-tde og y 5m-tde sekuder for løper.) Spredgdagram
DetaljerOversikt over tester i Econ 2130
HG Revdert aprl 2 Overskt over tester Eco 23 La θ være e ukjet parameter (populasjos-størrelse e statstsk modell. Uttrykket ukjet parameter betyr at de sae verde av θ populasjoe er ukjet. Når v setter
DetaljerOversikt over tester i Econ 2130
1 HG Revdert aprl 217 Overskt over tester Eco 213 La være e ukjet parameter (populasjos-størrelse) e statstsk modell. Uttrykket ukjet parameter betyr at de sae verde av populasjoe er ukjet. Når v setter
DetaljerLøsningskisse 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
DetaljerDet anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i << >>.
ECON 3 EKSAMEN VÅR TALLSVAR Det abefales at de 9 deloppgavee merket med A, B, teller lkt uasett varasjo vaskelghetsgrad. Svaree er gtt
Detaljersom vi ønsker å si noe om basert på data Eksempel. Uid-modellen: X1, X ,,,
HG Eco30 07 9/3-07 Supplemet tl forelesg uke 0 (6 mars) (Det jeg kke rakk å ta på forelesg) Termolog (estmerg) Data (kokrete tall), x, x, er ervasjoer av stokastske varable, X, X, De statstske modelle
DetaljerTALLSVAR. Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i << >>.
ECON: EKAMEN TALLVAR. et abefales at de 9 deloppgavee merket med A, B, teller lkt uasett varasjo vaskelghetsgrad. varee er gtt
DetaljerRegler 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
DetaljerEcon 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
DetaljerRegler 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.
DetaljerRegler 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
DetaljerEksempel 1 - Er gjennomsnittshøyden for kvinner i Norge økende?
ECON 3 HG a 3 Supplemet tl sste forelesg 3 vår 4 eksempler på test-dskusjoer klusve ltt om p-verder Eksempel - Er gjeomsttshøyde for kver Norge økede? et er velkjet at gjeomsttshøyde for meesker Europa
DetaljerSTK1110 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
DetaljerTMA4245 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
DetaljerForelesning 19 og 20 Regresjon og korrelasjons (II)
STAT111 Statstkk Metoder Yushu.L@ub.o 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
DetaljerTMA4245 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)
DetaljerOversikt 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
DetaljerSTK1100 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
DetaljerOversikt over konfidensintervall i Econ 2130
1 HG Mars 017 Overskt over kofdestervall Eco 130 Merk at dee overskte kke er met å leses stedefor framstllge Løvås, me som et supplemet. De eholder tabeller med formler for kofdestervaller for stuasjoer
DetaljerEcon 2130 uke 13 (HG)
Eco 30 uke 3 (HG) Iførg regresjo I deskrptv aalse (Løvås kap. 7. 7.3.3) DATA: Resultater fra 500m og 5000m for me fra EM på skøter Heerevee 004. Obs 5000m 500m Obs 5000m 500m r. Td Sekuder Td Sekuder r.
DetaljerAnalyse 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:
DetaljerForelesning 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
DetaljerNotat 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
Detaljer1. Konfidens intervall for
Forelesg 0 + Yushu.@ub.o Kofdes tervall og Bootstrap. Kofdes tervall for ) Kofdes tervall [ ˆ, ˆ ] dekker de ukjete parametere med høy grad av skkerhet (kofdesvå): P( ˆ ˆ ), er f.eks 0.0 eller 0.05, eller
DetaljerLøsningsforslag Eksamen i Statistikk Nov 2001 Oppgave 1 a) Det fins 8 mulige kombinasjoner. Disse finnes ved å utelate ett og ett tall.
Løsgsforslag Eksame Statstkk Nov 00 Oppgave a) Det fs 8 mulge kombasjoer. Dsse fes ved å utelate ett og ett tall. Atall utvalg av størrelse 7 blat m er ( m 7 ). b) Prs Atall Rekker 3 kr. ( 7 ) 3 kr....
DetaljerLøsningsforslag (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,
DetaljerAvdeling for estetiske fag, folkekultur og lærerutdanning BOKMÅL 29. mai 2007
Høgskole Telemark Avdelg for estetske fag, folkekultur og lærerutdag BOKMÅL 9. ma 7 EKSAMEN I MATEMATIKK, Modul 5 studepoeg Td: 5 tmer Hjelpemdler: Kalkulator og vedlagt formelsamlg (bakerst oppgavesettet).
DetaljerSeminaroppgaver 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
DetaljerSeminaroppgaver 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)
DetaljerOm 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
DetaljerFormler 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:
DetaljerDet ble orientert i plenum under eksamensdagen om følgende endringer i forhold til oppgaven:
LØSNINGSFORSLAG EKSAMEN 4 MAI 007 MET00 STATISTIKK GRUNNKURS Det ble oretert pleum uder eksamesdage om følgede edrger forhold tl oppgave: Oppgave b går ut. Det vl da bl 9 oppgaver og alle oppgaver teller
DetaljerOm 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
DetaljerAvdeling 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).
DetaljerForelesning Enveis ANOVA
STAT111 Statstkk Metoder ushu.l@ub.o 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
DetaljerSTK1100 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
DetaljerStatistikk 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.
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT. Innleveringssted: Ekspedisjonen i 12. etasje (mellom ) OG Fronter (innen klokken 15).
Øvelsesoppgave : ECON3 Statstkk Dato for utleverg: 4.3.7 UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Dato for leverg: 3.3.7 e kl. 5. Ilevergssted: Ekspedsjoe. etasje (mellom.5-5.) OG Froter (e klokke 5).
DetaljerForelesning 25 og 26 Introduksjon til Bayesiansk statistikk
Yushu.@hh.o Forelesg 5 og 6 Itroduksjo tl Bayesask statstkk 1. Itroduksjo Fortsatt atar v har stokastsk varabel X (X ka være stokastsk varabel vektor) kommer fra e fordelg med parametere ( ka være parameter
DetaljerForelesning 21 og 22 Goodness of fit test and contingency table ( 2 test og krysstabell)
STAT111 Statstkk Metoder Yushu.L@ub.o 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
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren Estimering. Målemodellen. Sannsynlighetsregning med statistikk
ÅMA0 Sasylghetsregg med statstkk, våre 00 Kp. 5 Estmerg. Målemodelle. Estmerg. Målemodelle. Ihold:. (Pukt)Estmerg bomsk modell (kp. 5.). Målemodelle... (kp. 5.3) 3. (Pukt)Estmerg målemodelle (kp. 5.3)
DetaljerIntroduksjon 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
DetaljerForelesning Ordnings observatorer
Yushu.L@ub.o 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 )
DetaljerForelesning Punktestimering
STAT Statst Metoder Yushu.L@ub.o Forelesg 8 + 9 Putestmerg. Fra sasylghetsteor tl statst feres ) Sasylghetsberegg sasylghetsteor: v jeer parametere som besrver modellee, f.es. p boms modell, ormal fordelg,
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren Estimering. Målemodellen. Estimering. Målemodellen. Kp. 5 Estimering. Målemodellen.
ÅMA0 Sasylghetsregg med statstkk, våre 006 Kp. 5 Estmerg. Målemodelle. Estmerg. Målemodelle. Ihold:. (Pukt)Estmerg bomsk modell (kp. 5.). Målemodelle... (kp. 5.). (kp. 5.) 4. Estmere, estmat, estmator
DetaljerÅMA110 Sannsynlighetsregning med statistikk, våren 2007
ÅMA0 Sasylghetsregg med statstkk, våre 007 Kp. 5 Estmerg. Målemodelle. Estmerg. Målemodelle. Ihold:. (Pukt)Estmerg bomsk modell (kp. 5.). Målemodelle... (kp. 5.3) 3. (Pukt)Estmerg målemodelle (kp. 5.3)
DetaljerTMA4240 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,
DetaljerEKSAMEN 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
DetaljerTMA4245 Statistikk Eksamen 21. mai 2013
TMA445 Statstkk Eksame ma 03 Korrgert 0 ju 03 Norges teksk-aturvteskapelge uverstet Isttutt for matematske fag Løsgssksse Oppgave Et plott av sasylghetstetthee er gtt fgur Vdere har v og PX = Φ = 08849
DetaljerOppgave 1 Det er oppgitt i oppgaveteksten at estimatoren er forventningsrett, så vi vet allerede at E(ˆµ) = µ. Variansen til ˆµ er 2 2 ( )
Norges teksk-aturvteskapelge uverstet Isttutt for matematske fag Abefalt øvg Løsgssksse Oppgave Det er oppgtt oppgavetekste at estmatore er forvetgsrett, så v vet allerede at Eˆµ µ. Varase tl ˆµ er τ Varˆµ
DetaljerOBLIGATORISK 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 (ajab@f.uo.o Levergskrav: Det forutsettes at du er kjet med holdet
Detaljer(ii) Anta vi vet om en observasjon av X at den ikke er større enn 5. Hva er da sannsynligheten for at den er lik 5? (Hint: Finn PX ( = 5 X 5) ).
ECON3: EKSAMEN VÅR - UTSATT PRØVE Oppgave Ata er possofordelt med parameter λ = 5 (skrevet kort, ~ pos(5), jfr. defsjo 5.8 Løvås med t = ). A. () F P= ( 5) og P ( 5), for eksempel basert på tabell D. Løvås.
DetaljerForelesning 3 mandag den 25. august
Forelesg adag de 5 august Merkad 171 For å bevse e propossjo o heltall so volverer to eller flere varabler, er det typsk ye lettere å beytte duksjo på e av varablee e duksjo på oe av de adre Det er for
DetaljerMer om Hypotesetesting (kap 5) Student t-fordelingen. Eksamen. Fordelingene blir like ved stor n:
Mer om Hypotesetestg kap 5 Overskt: Små utvalg og Studet s t-fordelg Hypotesetestg for populasjosgjeomsttet, μ Med tlfeldg og stort utvalg er fordelge tl testobservatore motvert av SGT Hva skjer dersom
DetaljerTALLSVAR. Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i <<< >>>.
ECON30: EKSAMEN 05 VÅR - UTSATT PRØVE TALLSVAR. Det anbefales at de 9 deloppgavene merket med A, B, teller lkt uansett varasjon vanskelghetsgrad. Svarene er gtt
DetaljerTALLSVAR. Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i << >>.
1 ECON130: EKSAMEN 013 VÅR - UTSATT PRØVE TALLSVAR. Det abefales at de 9 deloppgavee merket med A, B, teller likt uasett variasjo i vaskelighetsgrad. Svaree er gitt i
DetaljerOversikt over konfidensintervall i Econ 2130
1 HG Revidert april 011 Oversikt over kofidesitervall i Eco 130 Merk at dee oversikte ikke er met å leses istedefor framstillige i Løvås, me som et supplemet. Løvås ieholder mage verdifulle kommetarer
DetaljerForelesning 2 MET3592 Økonometri ved David Kreiberg Vår 2011
Forelesg MET359 Økoomer ved Davd Kreberg Vår 0 Dverse oppgaver Oppgave. Aa følgede o varabler: gpa: (Grade Po Average) Gjeomsskaraker for amerkaske sudeer. gpa fes ervalle [0;4], hvor 0 er lavese gjeomsskaraker
DetaljerOversikt over konfidensintervall i Econ 2130
HG April 00 Oversikt over kofidesitervall i Eco 30 Merk at dee oversikte ikke er met å leses istedefor framstillige i Løvås, me som et supplemet. Løvås ieholder mage verdifulle kommetarer og eksempler.
DetaljerPositive 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
DetaljerECON240 Statistikk og økonometri
ECON240 Statistikk og økoometri Arild Aakvik, Istitutt for økoomi 1 Mellomregig MKM Model: Y i = a i + bx i + e i MKM-estimator for b: b = = Xi Y i 1 Xi Yi Xi 1 ( X i ) 2 (Xi X)(Y i Ȳi) (Xi X) 2 hvor vi
DetaljerKap. 9: Inferens om én populasjon. Egenskaper ved t-fordelingen. ST0202 Statistikk for samfunnsvitere. I Kapittel 8 brukte vi observatoren
2 Kap. 9: Iferes om é populasjo I Kapittel 8 brukte vi observatore z = x μ σ/ for å trekke koklusjoer om μ. Dette krever kjet σ (urealistisk). ST0202 Statistikk for samfusvitere Bo Lidqvist Istitutt for
DetaljerOversikt over konfidensintervall i Econ 2130
1 HG Revidert april 014 Oversikt over kofidesitervall i Eco 130 Merk at dee oversikte ikke er met å leses istedefor framstillige i Løvås, me som et supplemet. De ieholder tabeller med formler for kofidesitervaller
DetaljerTALLSVAR. Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i << >>.
ECON13: EKSAMEN 14V TALLSVAR. Det anbefales at de 9 deloppgavene merket med A, B, teller lkt uansett varasjon vanskelghetsgrad. Svarene er gtt >. Oppgave 1 Innlednng. Rulett splles på en rekke kasnoer
Detaljeri B maksimal b Fundamentalteoremet for lineærprogrammering Den leksikografiske metode Blands pivoteringregel MoD233 - Geir Hasle - Leksjon 4 2
Lekso 4 ( k ) a ( k ) I ( k ) U ( k) B maksmal ( k ) b Sste spesaltlfelle - valg av utgåede Degeerert basstabell, degeererert pvoterg Degeerert pvoterg ka g syklsk pvoterg Eeste tlfelle der Smpleksmetode
DetaljerStatistikk og økonomi, våren 2017
Statistikk og økoomi, våre 07 Obligatorisk oppgave 6 Løsigsforslag Oppgave E terig kastes 0 gager, og det registreres hvor mage 6-ere som oppås i løpet av disse 0 kastee. Vi ka kalle atall 6-ere i løpet
DetaljerOppgave 1. (i) Hva er sannsynligheten for at det øverste kortet i bunken er et JA-kort?
ECON EKSAMEN 8 VÅR TALLSVAR Oppgave Vi har e kortstokk beståede av 6 kort. På av disse står det skrevet JA på forside mes det står NEI på forside av de adre kortee. Hvis ma får se kortet med bakside vedt
DetaljerOppgave 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
DetaljerMedisinsk statistikk, del II, vår 2008 KLMED Lineær regresjon, Rosner Regresjon?
Medssk statstkk, del II, vår 008 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
DetaljerErling Siring INNHOLD
IN 83/4 8. februar 983 ESTIMERING AV VEKTENE TIL EN KOMBINERT ESTIMATOR FOR FYLKESTALL Av Erlg Srg INNHOLD. Iledg 2. De optmale vektee og robusthetsegeskapee tl de komberte estmatore......... 3. Problemet
DetaljerMedisinsk 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
DetaljerH 1 : µ 1 µ 2 > 0. t = ( x 1 x 2 ) (µ 1 µ 2 ) s p. s 2 p = s2 1 (n 1 1) + s 2 2 (n 2 1) n 1 + n 2 2
TMA4245 Statistikk Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer b4 Løsigsskisse Oppgave 1 Vi øsker å fie ut om et ytt serum ka stase leukemi. 5 mus får serumet, 4
DetaljerEcon 2130 uke 15 (HG) Poissonfordelingen og innføring i estimering
Eco 130 uke 15 (HG) Poissofordelige og iførig i estimerig 1 Poissofordelige (i) Tilærmig til biomialfordelige. Regel. ( Poissotilærmelse ) Ata Y ~ bi(, p) E( Y ) = p og var( Y ) = p(1 p). Hvis er stor
DetaljerForelesning Z-, t-test, test for forventningsdifferanser
STAT Sttstkk Metoder ushu.l@ub.o 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
DetaljerRandi Johannessen. Mikroindeksformel i konsumprisindeksen. 2001/64 Notater 2001
2/64 Notater 2 Rad Johaesse Mkrodeksformel kosumprsdekse Avdelg for økoomsk statstkk/sekso for økoomske dkatorer Emegruppe: 8.2. Ihold. Bakgru og kokluso...3 2. Levekostadsdekser...4 2.. Kosumetes tlpasg...4
Detaljer(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:
DetaljerUNIVERSITETET I OSLO
UIVERSITETET I OSLO Det matematisk-aturviteskapelige fakultet Eksame i: ST 105 - Iførig i pålitelighetsaalyse Eksamesdag: 8. desember 1992 Tid til eksame: 0900-1500 Tillatte hjelpemidler: Rottma: "Matematische
DetaljerØVINGER 2017 Løsninger til oppgaver
ØVINGER 017 Løsnnger tl oppgaver Øvng 1 7.1. Med utgangspunkt de n 5 observasjonsparene (x 1, y 1 ), (x, y ),..., (x 5, y 5 ) beregner v først mddelverdene x 1 5 Estmert kovarans blr x 3. ȳ 1 5 s XY 1
Detaljer) = P(Z > 0.555) = > ) = P(Z > 2.22) = 0.013
TMA4240 Statistikk Vår 2008 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer b5 Løsigsskisse Oppgave 1 a) X 1,...,X 16 er u.i.f. N(80,18 2 ). Setter Y = X. i) P(X 1 >
DetaljerIntroduksjon. Hypotesetesting / inferens (kap 3) Populasjon og utvalg. Populasjon og utvalg. Populasjonsvarians
Hypotesetestig / iferes (kap ) Itroduksjo Populasjo og utvalg Statistisk iferes Utvalgsfordelig (samplig distributio) Utvalgsfordelige til gjeomsittet Itroduksjo Vi øsker å få iformasjo om størrelsee i
DetaljerEnveis 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
DetaljerTALLSVAR. Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i <<< >>>.
ECON: EKSAMEN 6 VÅR - UTSATT PRØVE TALLSVAR. Det anbefales at de 9 deloppgavene merket med A, B, teller lkt uansett varasjon vanskelghetsgrad. Svarene er gtt
DetaljerTMA4245 Statistikk Vår 2015
TMA4245 Statistikk Vår 2015 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer 12, blokk II Oppgave 1 Kari har ylig kjøpt seg e y bil. Nå øsker hu å udersøke biles besiforbruk
DetaljerIllustrasjon av regel 5.19 om sentralgrenseteoremet og litt om heltallskorreksjon (som i eksempel 5.18).
Econ 2130 HG mars 2012 Supplement tl forelesnngen 19. mars Illustrasjon av regel 5.19 om sentralgrenseteoremet og ltt om heltallskorreksjon (som eksempel 5.18). Regel 5.19 ser at summer, Y = X1+ X2 + +
DetaljerMakroøkonomi - 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
DetaljerUNIVERSITETET 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:
DetaljerX = 1 5. X i, i=1. som vil være normalfordelt med forventningsverdi E( X) = µ og varians Var( X) = σ 2 /5. En rimelig estimator for variansen er
Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Abefalte oppgaver 11, blokk II Løsigsskisse Oppgave 1 a) E rimelig estimator for forvetigsverdie µ er gjeomsittet X = 1 X i, som
DetaljerX ijk = µ+α i +β j +γ ij +ǫ ijk ; k = 1,2; j = 1,2,3; i = 1,2,3; i=1 γ ij = 3. i=1 α i = 3. j=1 β j = 3. j=1 γ ij = 0.
UNIVERSITETET I OSLO Det matematsk-naturvtenskapelge fakultet Eksamen : Eksamensdag: 7. jun 2013. Td for eksamen: 14.30 18.30. Oppgavesettet er på 8 sder. Vedlegg: Tllatte hjelpemdler: STK2120 LØSNINGSFORSLAG
DetaljerRepetisjon; 9.1, 9.2, 9.3, 9.4, 9.5, og Repetisjon; 9.1, 9.2, 9.3, 9.4, 9.5, og 9.10
Repetisjo; 9.1, 9.2, 9.3, 9.4, 9.5, og 9.10 og Geerell defiisjo av : Situasjo: Data x 1,...,x ;utfallav:x 1,...,X ; u.i.f. tilfeldige variable Ukjet parameter i fordelige til X i ee: θ Dersom L og U L
DetaljerARBEIDSNOTAT 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
DetaljerEstimering 1 -Punktestimering
Estimerig 1 -Puktestimerig Dekkes av kap. 8, 9.1-9.3 og 9.15/9.14. Vi har til å settpå e rekke forskjellige sasylighetsfordeliger og sett hvorda disse ka brukes til å modellere mage forskjellige typer
DetaljerEstimering 1 -Punktestimering
Estimerig 1 -Puktestimerig Dekkes av kap. 8, 9.1-9.3 og 9.15/9.14. Vi har til å settpå e rekke forskjellige sasylighetsfordeliger og sett hvorda disse ka brukes til å modellere mage forskjellige typer
DetaljerOppgaver. Multiple regresjon. Forelesning 3 MET3592 Økonometri ved David Kreiberg Vår 2011
Forelesnng 3 MET359 Økonometr ved Davd Kreberg Vår 0 Oppgaver Alle oppgaver er merket ut fra vanskelghetsgrad på følgende måte: * Enkel ** Mddels vanskelg *** Vanskelg Multple regresjon Oppgave.* Ta utgangspunkt
DetaljerOppgaver fra boka: Med lik men ukjent varians antatt har vi fra pensum at. t n1 +n 2 2 under H 0 (12 1) (12 1)
MOT30 Statistiske metoder, høste00 Løsiger til regeøvig r. 5 (s. ) Oppgaver fra boka: Oppgave 0.36 (0.0:8) Dekkslitasje X,..., X u.i.f. N(µ, σ ) og X,..., X u.i.f. N(µ, σ ) og alle variable er uavhegige.
DetaljerOppgaven 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
DetaljerTMA4240 Statistikk Høst 2015
TMA4240 Statistikk Høst 2015 Norges tekisk-aturviteskapelige uiversitet Istitutt for matematiske fag Øvig ummer 12, blokk II I dee siste øvige fokuserer vi på lieær regresjo, der vi har kjete kovariater
DetaljerTMA4240/4245 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