ÅMA110 Sannsynlighetsregning med statistikk, våren Estimering. Målemodellen. Konfidensintervall, innledning. Kp. 5 Estimering.

Like dokumenter
ÅMA110 Sannsynlighetsregning med statistikk, våren Estimering. Målemodellen. Sannsynlighetsregning med statistikk. Kp. 5 Estimering.

ÅMA110 Sannsynlighetsregning med statistikk, våren Kp. 5 Estimering. Målemodellen.

ÅMA110 Sannsynlighetsregning med statistikk, våren 2011

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007

ÅMA110 Sannsynlighetsregning med statistikk, våren 2010 Kp. 6, del 4

ÅMA110 Sannsynlighetsregning med statistikk, våren 2006

Hypotesetesting, del 4

MOT310 Statistiske metoder 1, høsten 2011

Repetisjon; 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

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007 Kp. 6, del 2

ÅMA110 Sannsynlighetsregning med statistikk, våren 2008 Kp. 6, del 5

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007 Kp. 6, del 5. Hypotesetesting, del 5

2. Hypotesetesting i ulike sitausjoner: i. for forventingen, μ, i målemodellen med normalantakelse og kjent varians, σ 2.

Rep.: generelle begrep og definisjoner Kp. 10.1, 10.2 og 10.3

ÅMA110 Sannsynlighetsregning med statistikk, våren 2008 Kp. 6, del 5

ÅMA110 Sannsynlighetsregning med statistikk, våren 2006 Kp. 6, del 5

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007 Kp. 6, del 4. Hypotesetesting, del 4

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007 Oppsummering

Oppgave 1 Hardheten til en bestemt legering er undersøkt med åtte målinger og resultatene ble (i kg/mm 2 ) som i tabellen til høyre.

MOT310 Statistiske metoder 1, høsten 2012

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

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

ÅMA110 Sannsynlighetsregning med statistikk, våren Kontinuerlige tilfeldige variable, intro. Kontinuerlige tilfeldige variable, intro.

ÅMA110 Sannsynlighetsregning med statistikk, våren Kontinuerlige tilfeldige variable, intro. Kontinuerlige tilfeldige variable, intro.

ÅMA110 Sannsynlighetsregning med statistikk, våren Kontinuerlige tilfeldige variable, intro. Kontinuerlige tilfeldige variable, intro.

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007

ÅMA110 Sannsynlighetsregning med statistikk, våren 2010 Kp. 6, del 5

TALLSVAR. Det anbefales at de 9 deloppgavene merket med A, B, teller likt uansett variasjon i vanskelighetsgrad. Svarene er gitt i << >>.

Kapittel 8: Estimering

Statistikk og økonomi, våren 2017

Mer om utvalgsundersøkelser

211.7% 2.2% 53.0% 160.5% 30.8% 46.8% 17.2% 11.3% 38.7% 0.8%

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

TMA4240 Statistikk H2010

ÅMA110 Sannsynlighetsregning med statistikk, våren 2011

Forventningsverdi. MAT0100V Sannsynlighetsregning og kombinatorikk

Hypotesetesting, del 5

Estimering 2. -Konfidensintervall

Kap. 9: Inferens om én populasjon

Oppgaver 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)

Oversikt over konfidensintervall i Econ 2130

HØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi

Oversikt, del 5. Vi har sett på styrkefunksjon for ensidige tester. Eksempler (styrke, dimensjonering,...) Eksempler fra slutten av forrige uke

Kap. 9: Inferens om én populasjon. Egenskaper ved t-fordelingen. ST0202 Statistikk for samfunnsvitere. I Kapittel 8 brukte vi observatoren

Kap. 9: Inferens om én populasjon

Kort repetisjon fra kapittel 4. Oppsummering kapittel ST0202 Statistikk for samfunnsvitere. Betinget sannsynlighet og trediagram

H 1 : µ 1 µ 2 > 0. t = ( x 1 x 2 ) (µ 1 µ 2 ) s p. s 2 p = s2 1 (n 1 1) + s 2 2 (n 2 1) n 1 + n 2 2

Emnenavn: Metode 1, statistikk deleksamen. Eksamenstid: 4 timer. Faglærer: Bjørnar Karlsen Kivedal

LØSNINGSFORSLAG TILEKSAMEN I FAG TMA4240/TMA4245 STATISTIKK 10. august 2005

Oppgaver fra boka: X 2 X n 1

5 y y! e 5 = = y=0 P (Y < 5) = P (Y 4) = 0.44,

TMA4240 Statistikk Høst 2009

Oversikt over konfidensintervall i Econ 2130

Estimering 1 -Punktestimering

Estimering 1 -Punktestimering

HØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi

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

TMA4240 Statistikk Høst 2015

TMA4240/4245 Statistikk 11. august 2012

X = 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

Econ 2130 Forelesning uke 11 (HG)

Konfidensintervall. Notat til STK1110. Ørnulf Borgan, Ingrid K. Glad og Anders Rygh Swensen Matematisk institutt, Universitetet i Oslo.

Emnenavn: Eksamenstid: 4 timer. Faglærer: Hans Kristian Bekkevard

Oversikt over konfidensintervall i Econ 2130

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

Eksempler fra slutten av forrige uke. Eksempler (styrke, dimensjonering,...) Eksempler fra slutten av forrige uke

LØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4240 STATISTIKK 5.august 2004

Løsningsforslag ST2301 øving 3

Populasjon, utvalg og estimering

STK1100 våren 2017 Estimering

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

Oppgave 1 a) Minste kvadraters metode tilpasser en linje til punktene ved å velge den linja som minimerer kvadratsummen. x i (y i α βx i ) = 0, SSE =

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

LØSNING, EKSAMEN I STATISTIKK, TMA4240, DESEMBER Anta at sann porøsitet er r. Måling med utstyret gir da X n(x; r, 0,03).

HØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi

ECON240 Statistikk og økonometri

TMA4245 Statistikk Eksamen mai 2017

Løsningsforslag Oppgave 1

TMA4240 Statistikk Høst 2016

ÅMA110 Sannsynlighetsregning med statistikk, våren Noen viktige sannsynlighetsmodeller. Binomisk modell. Kp. 3 Diskrete tilfeldige variable

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

ÅMA110 Sannsynlighetsregning med statistikk, våren Estimering. Målemodellen. Estimering. Målemodellen. Kp. 5 Estimering. Målemodellen.

EKSAMEN. Oppgavesettet består av 5 oppgaver, hvor vekten til hver oppgave er angitt i prosent i oppgaveteksten. Alle oppgavene skal besvares.

ÅMA110 Sannsynlighetsregning med statistikk, våren Hypotesetesting (kp. 6) Hypotesetesting. Kp. 6 Hypotesetesting ...

Løsningsforsalg til første sett med obligatoriske oppgaver i STK1110 høsten 2018

TMA4240 Statistikk Høst 2016

ÅMA110 Sannsynlighetsregning med statistikk, våren Estimering. Målemodellen. Sannsynlighetsregning med statistikk

Påliteligheten til en stikkprøve

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

EKSAMENSOPPGAVE. Mat-1060 Beregningsorientert programmering og statistikk

LØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4245 STATISTIKK 6.august 2004

Løsningsforslag ST1101/ST6101 kontinuasjonseksamen 2018

TMA4245 Statistikk Eksamen 9. desember 2013

HØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi

EKSAMEN I TMA4245 Statistikk

Kapittel 7: Noen viktige sannsynlighetsfordelinger

Kapittel 7: Noen viktige sannsynlighetsfordelinger

Løsningsforsalg til første sett med obligatoriske oppgaver i STK1110 høsten 2015

Forelesning Moment og Momentgenererende funksjoner

ÅMA110 Sannsynlighetsregning med statistikk, våren Hypotesetesting (kp. 6) Hypotesetesting, innledning. Kp.

Transkript:

ÅMA0 Sasylighetsregig med statistikk våre 006 Kp. 5 Estimerig Estimerig. Målemodelle. Ihold:. (Pukt)Estimerig i biomisk modell (kp. 5.). Målemodelle... (kp. 5.3) 3. (Pukt)Estimerig i målemodelle (kp. 5.3) 4. Estimere estimat estimator 5. Itervallestimerig (kofidesitervall) (kp. 5.4) i målemodell med a) ormalatakelse og kjet varias eller med b) ormaltilærmig i biomisk modell med ormaltilærmig (Pukt)estimerig (Itervall)estimerig 3

Eks.: Vi har gjort =0 måliger (x x... x ) av ph i Breiavatet; 6.00 5.59 5.74 3.43 5.30 6.48 5.5 4.8 4.5 6.0 Gjeomsitt: 5.7 Vi bruker 5.7 som estimat av virkelig ph. μ (Målemodelle: Målig x i betraktes som utfall av e tilfeldig variabel X i der μ =E(X i )=virkelig ph.) 4 Eks.: Vi har gjort =0 måliger (x x... x ) av ph i Breiavatet; 6.00 5.59 5.74 3.43 5.30 6.48 5.5 4.8 4.5 6.0 Gjeomsitt: 5.7 Vi bruker 5.7 som estimat av virkelig ph. μ Vi skal å se hvorda vi ka estimere et itervall som vi ka ha tillit til at dekker virkelig ph μ. 5.7 5 er e meget god måte å rapportere resultater på. puktestimatet i midte (i de fleste typer kofidesitervall) bredde på itervallet forteller om grad av statistisk usikkerhet 6

. Mer om hva kofidesitervall er. i ulike situasjoer: i stor med stor ( for forvetige i målemodelle med ormalatakelse og ukjet varias: etter at vi har gjeomgått t-fordelig!) 7. Mer om hva kofidesitervall er. i ulike situasjoer: i stor med stor 8 Eks.: ph i Breiavatet. Dersom vi bruker målemodelle med ormalatakelse og kjet varias så er formele for et 95% kofidesitervall for forvetige: x.96 x +.96 9 3

Eks.: ph i Breiavatet. målemodelle: x x... x utfall av X X... X u.i.f. tilf. var. ormalatakelse: X i ee er ormalfordelte kjet varias: Var(X i ) er et kjet tall i dette tilfellet (ikke valig situasjo i praksis). 0 Eks.: ph i Breiavatet. målemodelle: x x... x utfall av X X... X u.i.f. tilf. var. ormalatakelse: X i ee er ormalfordelte kjet varias: Var(X i ) er et kjet tall i dette tilfellet (ikke valig situasjo i praksis). Utreget 95% kofidesitervall: x.96 = 5.7.96 = ( 4.65 5.89 ) 0 x +.96 5.7 +.96 0 Eks.: ph i Breiavatet. 6.00 5.59 5.74 3.43 5.30 6.48 5.5 4.8 4.5 6.0 Gjeomsitt: 5.7 Et 95% kofidesitervall for virkelig ph er (uder de agitte forutsetigee): ( 4.65 5.89 ) 300 400 500 600 700 Vi ka ha tillit til at dette itervallet dekker virkelig ph. 4

Hvorfor skal Vi ka ha tillit til at itervallet ( 4.65 5.89 ) dekker virkelig ph? Hvor kommer tallet.96 fra? Hvorfor er formele som de er? Hvorfor 95%? 3 Bytt ut målegjeomsittet x = ( x + L + x 0 ) med 0 tilhørede gjeomsitt av tilf.var.: X = ( X + L + X 0 ). 0 De tilfeldige variabele X represeter utfall vi kue ha fått av målegjeomsitt (med samme forvetig og varias). Da: Med L = X.96 ka vi vise at : og U = X +.96 P ( L μ U ) = 0.95 4 Obs.: L og U er tilfeldig variabel-versjoe av slik vi bereget edre- og øvregrese i 95%- itervallet. Obs.: Forvetige er et fast (me ukjet) tall. Obs.3: Dersom vi hadde gjort mage gager 0 måliger av ph (vi ka forestille oss det) ville 95% av slike itervall dekke virkelig ph (forvetige)!! Obs.4: Tallet.96 heger samme med 95%. (Dette skal vi forklare ærmere!) 5 5

Tekte kofidesitervall fra tekte sett av måliger: 0604--pH-måliger.xls 300 400 500 600 700 6 Begruelse for: P ( L μ U) = α... 7. Mer om hva kofidesitervall er. i ulike situasjoer: i stor med stor 8 6

for forvetige i målemodelle med ormalatakelse og kjet varias; ( α) 00% kofidesitervall: x z x + z α / α / Her er er z er det tallet som har α sasylighet til høyre for seg i N( 0) - fordelige. α N(0) 05 04 03 0 0 00 α -40-30 -0-0 00 0 0 30 40 z α 9 Tabell med oe verdier for z α : α 0. 0.05 0.05 0.0 z α.8.645.960.36 0. Mer om hva kofidesitervall er. i ulike situasjoer: i stor med stor 7

Valigvis er det urealistisk at variase er kjet. Det ka også være urealistisk med ormalatakelse. Dersom er stor ka vi lage kofidesitervall for forvetige i målemodelle ute ormalatakelse og ute kjet varias. Setralgreseteoremet: Gjeomsittet av X X... X er tilærmet ormalfordelt år er stor. X ~ N μ eller (stadardisert) : X -μ ~ N ( 0) 3 De estimatore S fortsatt : ukjete ka erstattes med og resultatet gjelder X -μ ~ N S ( 0) ˆ = S = ( ) Xi X i= 4 8

Da får vi: for forvetige i målemodelle med ormaltilærmig og ukjet varias; tilærmet ( α) 00% kofidesitervall: x z S x + z α / α / S 5 Eks.:... Begruelse:... 6. Mer om hva kofidesitervall er. i ulike situasjoer: i stor med stor 7 9