ÅMA110 Sannsynlighetsregning med statistikk, våren 2007

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

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

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

som vi ønsker å si noe om basert på data Eksempel. Uid-modellen: X1, X ,,,

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

Regler om normalfordelingen

1. Konfidens intervall for

Regler om normalfordelingen

Løsningskisse seminaroppgaver uke 17 ( april)

Regler om normalfordelingen

STK1100 våren Konfidensintevaller

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

Econ 2130 uke 15 (HG)

Oversikt over konfidensintervall i Econ 2130

TMA4245 Statistikk Eksamen mai 2016

Forelesning 19 og 20 Regresjon og korrelasjons (II)

Notat 1: Grunnleggende statistikk og introduksjon til økonometri

Forelesning 25 og 26 Introduksjon til Bayesiansk statistikk

Econ 2130 uke 19 (HG) Inferens i enkel regresjon og diskrete modeller

TMA4245 Statistikk Eksamen august 2014

Forelesning Punktestimering

Forelesning Enveis ANOVA

Om enkel lineær regresjon II

Avdeling for estetiske fag, folkekultur og lærerutdanning BOKMÅL 29. mai 2007

Om enkel lineær regresjon II

Oversikt over tester i Econ 2130

Løsningsforslag Eksamen i Statistikk Nov 2001 Oppgave 1 a) Det fins 8 mulige kombinasjoner. Disse finnes ved å utelate ett og ett tall.

Om enkel lineær regresjon II

Statistikk med anvendelse i økonomi

Forelesning Ordnings observatorer

Oversikt over tester i Econ 2130

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

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

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

OBLIGATORISK OPPGAVE 1 INF 3340/4340/9340 HØSTEN 2005

Oppgave 1 Det er oppgitt i oppgaveteksten at estimatoren er forventningsrett, så vi vet allerede at E(ˆµ) = µ. Variansen til ˆµ er 2 2 ( )

Analyse av sammenhenger

TMA4240 Statistikk Høst 2016

EKSAMEN løsningsforslag

Det ble orientert i plenum under eksamensdagen om følgende endringer i forhold til oppgaven:

Eksempel 1 - Er gjennomsnittshøyden for kvinner i Norge økende?

Seminaroppgaver for uke 13

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

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

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

TMA4245 Statistikk Eksamen 21. mai 2013

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 Estimering. Målemodellen. Sannsynlighetsregning med statistikk. Kp. 5 Estimering.

MOT310 Statistiske metoder 1, høsten 2011

Hypotesetesting, del 5

UNIVERSITETET I OSLO ØKONOMISK INSTITUTT. Innleveringssted: Ekspedisjonen i 12. etasje (mellom ) OG Fronter (innen klokken 15).

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

Oversikt 1. forelesning. ECON240 Statistikk og økonometri. Visuell/grafisk presentasjon av data. Datainnsamling; utdanning og inntekt

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

Mer om Hypotesetesting (kap 5) Student t-fordelingen. Eksamen. Fordelingene blir like ved stor n:

ÅMA110 Sannsynlighetsregning med statistikk, våren 2006

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

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

Oversikt over tester i Econ 2130

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

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

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

Erling Siring INNHOLD

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

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

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007

Medisinsk statistikk, del II, vår 2008 KLMED Lineær regresjon, Rosner Regresjon?

(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) ).

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

Medisinsk statistikk, del II, vår 2009 KLMED 8005

Avdeling for estetiske fag, folkekultur og lærerutdanning BOKMÅL

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007

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

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

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

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 Kontinuerlige tilfeldige variable, intro. Kontinuerlige tilfeldige variable, intro.

Kapittel 8: Estimering

Oppgave 1 ECON 2130 EKSAMEN 2011 VÅR

Hypotesetesting, del 4

Mer om utvalgsundersøkelser

ÅMA110 Sannsynlighetsregning med statistikk, våren 2011

Forelesning 3 MET3592 Økonometri ved David Kreiberg Vår 2011

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

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

ÅMA110 Sannsynlighetsregning med statistikk, våren 2011

STK1100 våren 2017 Estimering

Econ 2130 uke 13 (HG)

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

Tors eminente Statistikk notater Revisjon 6

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

Kapittel 1: Beskrivende statistikk

Estimering 1 -Punktestimering

Estimering 1 -Punktestimering

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

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

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

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

Transkript:

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) 4. Estmere, estmat, estmator 5. Itervallestmerg (kofdestervall) (kp. 5.4) målemodell med a) ormalatakelse og kjet varas, eller med b) ormaltlærmg bomsk modell med ormaltlærmg 3 Estmerg bomsk modell Dersom v har stuasjoe ~B(, p), og v vet verde på p (og ), ka v berege alle øskede sasylgheter og relaterte størrelser. I prakss er det ofte e eller flere ukjete parametere de sasylghetsmodelle som betraktes. 4

stkkpr. ormal, 5% Estmerg bomsk modell I prakss er det ofte e eller flere ukjete parametere de sasylghetsmodelle som betraktes. Eks.: Kvaltetskotroll m/stkkprøver av løpede produksjo. E og ae ehet er defekt; f.eks.: 5% defekte ( det lage løp) ases som ormalt. 5 Estmerg bomsk modell Eks.: Stkkprøver: tlfeldg valgte eheter hver tme; la være at. defekte stkkpr. r.. Ma ser på /, for =,, 3,... 0, 0,0 0,08 0,06 0,04 stkkpr. ormal, 5% 0,0 0,00 3 4 5 6 7 8 9 0 3 4 5 6 7 8 9 0 6 Estmerg bomsk modell Eks.: I slke stuasjoer er det ofte rmelg å ata: ~B(, p ); p er å e ukjet parameter ( : tlfeldg varabel) p : uderlggede defektsasylghet på det tdspuktet stkkpr. r. blr tatt. 0, p = 0.05: ormalt 0,0 0,08 0,06 0,04 0,0 p > 0.05: kke ormalt, oe har forårsaket økt adel defekte (uormalt stor adel defekte) 0,00 3 4 5 6 7 8 9 0 3 4 5 6 7 8 9 0 8

stkkpr. ormal, 5% Estmerg bomsk modell Eksempelet: ma estmerer verde på e ukjet parameter ( e sasylghetsmodell). Geerelle problemstllger hvorda gjøre estmat (grett eks.)? hva med uskkerhet estmatet? hvorda trekke koklusjoer på bakgru av estmatet? (kp. 6) 0, 0,0 0,08 0,06 0,04 0,0 0,00 3 4 5 6 7 8 9 0 3 4 5 6 7 8 9 0 9 Estmerg bomsk modell La = atall defekte e stkkprøve på eheter. V har da: ~B(, p); Resultatet, x, av stkkprøve ses på som et utfall av p = defektsasylghet (ukjet) Estmat : x ( tall som er et aslag på p) Estmator : pˆ (tlfeldg varabel) Estmerg bomsk modell Estmatore pˆ er forvetgsrett for p. E( pˆ) p Fortolkg: gjeomsttsresultatet av mage (tekte) repetsjoer ærmer seg vrkelg p. Bevs : E( pˆ) E E p p 4

Estmerg bomsk modell Mål på statstsk uskkerhet: Var( pˆ) p( p) SD( pˆ) p( p) Bevs : Var(pˆ) Var Var p( p) p( p) 6 Estmerg bomsk modell Eks.: 7 defekte av =00. Estmat av p:... Estmat av stadardavvk tlhørede estmatet:... 7 Estmerg bomsk modell Eks.: Megsmålg 400 av 00 spurte vl stemme på et bestemt part. Resultat av megsmålg: (400 av 00 er 30%) 30% oppslutg om partet Statstsk uskkerhet??? 0

Estmerg bomsk modell Eks.: Megsmålg 400 av 00 spurte vl stemme på et bestemt part. Statstsk tekg: tlfeldg utvalg fra de N populasjoe (der M vl stemme på partet) De vrkelge oppslutge M er adele. N Estmerg bomsk modell Eks.: Megsmålg 400 av 00 spurte vl stemme på et bestemt part. Statstsk tekg: Resultatet av megsmålge ka oppfattes som et utfall e tlfeldg varabel, Y, der Y er hypergeometrsk fordelt (N, M, ), (=00). Y er et estmat av de M vrkelge er adele. N 4 Estmerg bomsk modell Eks.: Megsmålg 400 av 00 spurte vl stemme på et bestemt part. Statstsk aalyse: er lte forhold tl N. Derfor er Y tlærmet bomsk fordelt: Y er tlærmet ~ B( 00, p ), der M p. N 5

Estmerg bomsk modell Eks.: Megsmålg 400 av 00 spurte vl stemme på et bestemt part. Statstsk aalyse: estmat av p: y 400 0.3 00 Estmator : pˆ Y stadardavvk tl estmator : ; SD( pˆ) p( p) estmat av stadardavvk tl estmator : 0.3( 0.3) 00 0.03 7 Estmerg bomsk modell Geerelt om estmerg: Estmat (tall) Estmator (tlfeldg varabel) forvetg og varas/std.avvk tl estmator estmert std.avvk tl estmator Forvetgsrett estmator Best estmator (seere) 8 Estmerg bomsk modell Estmerg av suksessasylghete bomsk modell: ~ B(,p) Estmator for p : Forevtgsrett : E pˆ pˆ p Varas tl estamtor : Var pˆ p( p) 9

Estmerg. Målemodelle. Ihold:. (Pukt)Estmerg bomsk modell (kp. 5.). Målemodelle... (kp. 5.3) 3. (Pukt)Estmerg målemodelle (kp. 5.3) 4. Estmere, estmat, estmator 5. Itervallestmerg (kofdestervall) (kp. 5.4) målemodell med a) ormalatakelse og kjet varas, eller med b) ormaltlærmg bomsk modell med ormaltlærmg 30 Målemodelle (kp. 5.3) Ofte er stuasjoe at våre data er fra e kotuerlg varabel; f.eks. dataee x, x,..., x er målger av bruddstyrke målger av ph et va målger av blodsukkerhold for e perso... 3 Målemodelle (kp. 5.3) Eks.: V har gjort =0 målger (x, x,..., x ) av ph Breavatet; 6.00, 5.59 5.74 3.43 5.30 6.48 5.5 4.8 4.5 6.0 Gjeomstt: 5.7 Statstsk takegag: V oppfatter de 0 målgee som utfall av e (kotuerlg) fordelg: 3,00 4,00 5,00 6,00 7,00 målg x betraktes som utfall av tlfeldg varabel 33

Målemodelle (kp. 5.3) Eks.: V har gjort =0 målger (x, x,..., x ) av ph Breavatet; 6.00, 5.59 5.74 3.43 5.30 6.48 5.5 4.8 4.5 6.0 Gjeomstt: 5.7 Statstsk takegag: V oppfatter de 0 målgee som utfall av e (kotuerlg) fordelg: Målemodelle: målger, x, x,..., x, betraktes som utfall av tlfeldge varable:,,...,, og,,..., atas å være uavhegge og detsk fordelte tlfeldge varable. 3,00 4,00 5,00 6,00 7,00 (Ofte er fordelge tl ee kotuerlg.) 34 Målemodelle (kp. 5.3) Målemodelle: Sde,,..., er (atas å være) detsk fordelte, har alle samme forvetg og varas: Forvetg : Varas for,, E( ) : Var( ), 3,00 4,00 5,00 6,00 7,00 35 Målemodelle (kp. 5.3) Eks.: V har gjort =0 målger (x, x,..., x ) av ph Breavatet; 6.00, 5.59 5.74 3.43 5.30 6.48 5.5 4.8 4.5 6.0 Gjeomstt: 5.7 Målemodelle, fortolkg: ) E( : vrkelg ph : grad av tlfeldg varasjo omkrg vrkelg verd 3,00 4,00 5,00 6,00 7,00 Var( ) 36

Estmerg. Målemodelle. Ihold:. (Pukt)Estmerg bomsk modell (kp. 5.). Målemodelle... (kp. 5.3) 3. (Pukt)Estmerg målemodelle (kp. 5.3) 4. Estmere, estmat, estmator 5. Itervallestmerg (kofdestervall) (kp. 5.4) målemodell med a) ormalatakelse og kjet varas, eller med b) ormaltlærmg bomsk modell med ormaltlærmg 37 (Pukt)Estmerg målemodelle Ukjete parametere målemodelle: forvetg og varas, og. Estmatorer: ˆ ˆ S 38 (Pukt)Estmerg målemodelle Eks.: V har gjort =0 målger (x, x,..., x ) av ph Breavatet; 6.00, 5.59 5.74 3.43 5.30 6.48 5.5 4.8 4.5 6.0 Gjeomstt: 5.7 Estmat av forvetg: 5.7 Estmat av varas: {(6.0-5.7) +...+(6.-5.7) }/9 = = 0.903 Obs.: Estmatee er (valge) tall; Estmatoree er tlfeldge varable! 40

4 (Pukt)Estmerg målemodelle Estmatoree er forvetgsrette: ˆ og ˆ ) E( E( ) E E(ˆ) 4 (Pukt)Estmerg målemodelle Fortolkg av forvetgsretthet? 3,00 4,00 5,00 6,00 7,00 ˆ) E( 43 (Pukt)Estmerg målemodelle Varas tl estmatore : ˆ 0) (kovaraser ) Var( Var( ) Var Var(ˆ)

(Pukt)Estmerg målemodelle Estmatore ˆ er forvetgsrett: E ˆ E 44 (Pukt)Estmerg målemodelle Geerelt: V har målger, x, x,..., x, og tlhørede tlfeldge varable,,,...,. La være e (ukjet) parameter fordelge tl ee, og ˆ e estmator av. ˆ V ser er forvetgsrett for, dersom E( ˆ) 45 (Pukt)Estmerg målemodelle Geerelt: V har målger, x, x,..., x, og tlhørede tlfeldge varable,,,...,. La være e (ukjet) parameter fordelge tl ee, og ˆ e estmator av. ˆ V ser er forvetgsrett for, dersom E( ˆ) (Begrepet og defsjoe gjelder kke bare for målemodelle, aturlgvs også for bomsk modell, Possomodell, osv....) 46

(Pukt)Estmerg målemodelle Geerelt om best estmator: Dersom v ka velge mellom flere forvetgsrette estmatorer, velger v de med mst varas. 47 (Pukt)Estmerg målemodelle Eks., Best estmator: Det var plalagt 5 målger av ph et bestemt va. 0 målger med bra apparat; 5 målger med reserveapparat (mdre presst). Gj.s. av 0 første: 5.83 Gj.s. av 5 sste : 6. 48 (Pukt)Estmerg målemodelle Eks., Best estmator: Det var plalagt 5 målger av ph et bestemt va. 0 målger med bra apparat; 5 målger med reserveapparat (mdre presst). Gj.s. av 0 første: 5.83 Gj.s. av 5 sste : 6. Er gjeomsttet (5.83+6.)/ = 6.03 det beste aslaget (estmatet) av vrkelg ph? 49

(Pukt)Estmerg målemodelle Eks., Best estmator: Det er oppgtt fra målestrumetleveradøre at målger med bra app. har tlh. std.avvk =, og målger med det adre app. har tlh. std.avvk=4. 0 første målger: x,..., x 0 5 sste målger : y,..., y 5 50 (Pukt)Estmerg målemodelle Eks., Best estmator: 0 første målger: x,..., x 0 ; 5 sste målger : y,..., y 5 ; Metoder: : x y x y 6.03 : 5 x x 0 y y 5 0 x 5 5 y 6.06 5 3: 3 35 x 3 35 y 5.86 5 (Pukt)Estmerg målemodelle Eks., Best estmator: ph: 6.03, 6.06 eller 5.86???? Hva skal v rapportere? Hva skal begruelse for valget være? : x y : 5 3: x x y y 0 5 0 5 x y 6.06 5 5 x y 6.03 3 x 35 3 y 5.86 35 5

(Pukt)Estmerg målemodelle Eks., Best estmator: Statstsk aalyse vha. målemodell (x) og estmergsteor!,, 0 ; E( ), (0 uavhegge og detsk SD( ) fordelte tlf.var.) Y,,Y 5 ; E(Y ), SD( ) 4 (5 uavhegge og detsk fordelte tlf.var.) 54 (Pukt)Estmerg målemodelle Eks., Best estmator:,, 0 ; E( ), SD( ) (0 uavhegge og detsk fordelte tlf.var.) Y,, Y ; 5 E(Y ), SD( ) 4 (5 uavhegge og detsk fordelte tlf.var.) V vl estmere forvetge, estmator!, med best De tre metodee aalyseres som tre estmatorer! 55 (Pukt)Estmerg målemodelle Eks., Best estmator: 5 uavhegge tlfeldge varable:,..., 0, Y,..., Y 5 ; Estmatorer: ˆ ˆ 0 5 Y 5 Y 5 ˆ 3 3 35 3 Y 35 56