Regler om normalfordelingen

Like dokumenter
Regler om normalfordelingen

Regler om normalfordelingen

Løsningskisse seminaroppgaver uke 17 ( april)

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.

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

Oversikt over tester i Econ 2130

Econ 2130 uke 15 (HG)

TMA4245 Statistikk Eksamen august 2014

TMA4245 Statistikk Eksamen mai 2016

Om enkel lineær regresjon II

Om enkel lineær regresjon II

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

Om enkel lineær regresjon II

Eksempel 1 - Er gjennomsnittshøyden for kvinner i Norge økende?

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

Seminaroppgaver for uke 13

TMA4240 Statistikk Høst 2016

TMA4245 Statistikk Eksamen 21. mai 2013

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

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

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 ( )

Oversikt over tester i Econ 2130

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

Oversikt over konfidensintervall i Econ 2130

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

Statistikk med anvendelse i økonomi

Forelesning Ordnings observatorer

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007

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

OBLIGATORISK OPPGAVE 1 INF 3340/4340/9340 HØSTEN 2005

EKSAMEN løsningsforslag

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

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

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

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

Forelesning Enveis ANOVA

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

Forelesning 3 mandag den 25. august

STK1100 våren Konfidensintevaller

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

Oppgave 1 ECON 2130 EKSAMEN 2011 VÅR

Analyse av sammenhenger

Econ 2130 Forelesning uke 11 (HG)

Forelesning 19 og 20 Regresjon og korrelasjons (II)

Illustrasjon av regel 5.19 om sentralgrenseteoremet og litt om heltallskorreksjon (som i eksempel 5.18).

Avdeling for estetiske fag, folkekultur og lærerutdanning BOKMÅL

Forelesning 25 og 26 Introduksjon til Bayesiansk statistikk

Positive rekker. Forelest: 3. Sept, 2004

1. Konfidens intervall for

Løsningskisse for oppgaver til uke 15 ( april)

Notat 1: Grunnleggende statistikk og introduksjon til økonometri

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

Forelesning Punktestimering

Forelesning 3 MET3592 Økonometri ved David Kreiberg Vår 2011

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

(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) ).

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

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

Om enkel lineær regresjon I

Om enkel lineær regresjon I

TMA4240/4245 Statistikk Eksamen august 2016

MA1301 Tallteori Høsten 2014

Makroøkonomi - B1. Innledning. Begrep. B. Makroøkonomi. Mundells trilemma går ut på følgende:

Alternerende rekker og absolutt konvergens

Kapittel 1: Beskrivende statistikk

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

i B maksimal b Fundamentalteoremet for lineærprogrammering Den leksikografiske metode Blands pivoteringregel MoD233 - Geir Hasle - Leksjon 4 2

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

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

Statistikk og økonomi, våren 2017

Econ 2130 uke 13 (HG)

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

Løsningsforslag Oppgave 1

EKSAMEN Ny og utsatt Løsningsforslag

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

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

Anvendelser. Kapittel 12. Minste kvadraters metode

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

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

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

Løsningsforslag øving 10 TMA4110 høsten 2018

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

Randi Johannessen. Mikroindeksformel i konsumprisindeksen. 2001/64 Notater 2001

Forelesning Moment og Momentgenererende funksjoner

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

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

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

Erling Siring INNHOLD

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

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

Tors eminente Statistikk notater Revisjon 6

TMA4240 Statistikk Høst 2015

OPPGAVE 4 LØSNINGSFORSLAG OPPGAVE 5 LØSNINGSFORSLAG UTVIKLING AV REKURSIV FORMEL FOR FIGURTALL SOM GIR ANDREGRADSFUNKSJONER

Kapittel 9 ALGEBRA. Hva er algebra?

Løsningsforslag ST1101/ST6101 kontinuasjonseksamen 2018

FORELESNINGSNOTATER I SPILLTEORI Geir B. Asheim, våren 2001 (oppdatert ).

Kap. 9: Inferens om én populasjon

Løsningsforslag for andre obligatoriske oppgave i STK1100 Våren 2007 Av Ingunn Fride Tvete og Ørnulf Borgan

Transkript:

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. Reglee er stort sett gtt kapttel 5 Løvås, me ltt ufullstedg og usammehegede. Jeg vl derfor dette otatet samle og utfylle de vktgste reglee som må kues, samt g oe eksempler på bruk av dem. Defsjo: V skrver kort X ~ N ( µ, ) for e modell der X er ormalfordelt med forvetg, EX ( ) = µ, og stadardavvk, = var( X) = SD( X). De speselle ormalfordelge N (0, ), kalles stadard ormalfordelg og Løvås bruker symbolkke Gz ( ) = PZ ( z) for de kumulatve fordelgsfuksjoe hvs Z ~ N (0, ). Eksempel: Hvs du for eksempel e oppgave får oppgtt at X ~ N(, ), så følger speselt at EX ( ) = og var( X ) = 4. Regel R (står kke Løvås, me brukes mplstt flere steder): Hvs X ~ N ( µ, ) og Y = a + bx, der a og b er kostater, er også Y ormalfordelt ( ) Y ~ N E( Y ), SD( Y ) = N( a + bµ, b ) (Merk at uttrykkee N tl høyre følger av regler for forvetg og varas kapttel 4.) Eksempler som følger av regel R (sjekk): Hvs X ~ N(, ), er () Y = X ~ N( E( Y ), SD( Y )) = N(, ). X () ~ N, og () 000 3 ~ ( 997, 6) + X N. X µ µ Hvs X ~ N ( µ, ), er Z = ~ N(0, ) (sett a = og R). Av dette får v regel 5.4 Løvås: b =

X µ x µ x µ x µ PX ( x) = P = P Z = G Hvs X ~ N(, ), er, sde PX= ( 0) = 0, 0+ PX ( < 0) = PX ( 0) = G = G = 0,695 Løvås. følge tabell D.3 Regel R. Summer av ormalfordelte varable (regel 5.7 Løvås pressert) La X, X,, X være uavhegge og ormalfordelte varable slk at X ~ N ( µ, ) for =,,,. ( X - ee behøver altså kke å være detsk fordelte). La a, a,, a være vlkårlge kostater. Da er Y= ax + ax + + ax også ormalfordelt: ( ) = ( µ + µ + + ) µ + + + Y~ N EY ( ), var( Y) N a a a, a a a der uttrykkee N tl høyre følger av regler om forvetg og varas kapttel 4. Av regel R følger drekte e vktg regel om gjeomstt av ormalfordelte varable (brukt flere gager kurset, me kke satt opp eksplstt som e regel Løvås). Regel R3. Gjeomsttet av ormalfordelte varable er ormalfordelt. La X, X,, X være uavhegge og detsk ormalfordelte varable slk at X ~ N ( µ, ) for =,,,. Da er Y = X = ( X+ X + + X) også ormalfordelt: ( ) Y~ N EY ( ), var( Y) = N µ, Bevs: R3 følger drekte av R: La R, µ = µ = = µ = µ, = = = = (sde alle fordelgee for X, X,, X er lke, må alle forvetger være lke og alle stadardavvk være lke). La a = a = = a =. Da ser v at Y = X omfattes av regel R, og v ka slutte at Y er ormalfordelt. Parameterverdee de aktuelle ormalfordelge er gtt ved EY ( ) og var( Y ) som er fuet før kapttel 4: EY ( ) = µ og var( Y ) =. Alteratvt, kue ma få fram dsse parameterverdee fra formlee sste uttrykk regel R: aµ + aµ + + aµ = µ + µ + + µ = µ = µ

3 a + a + + a = + + + = = = Bevs slutt. Eksempler på bruk av R-R3: Ata X og Z er uavhegge og ormalfordelte der X ~ N(, ) og Z ~ N (0, ). F PY< ( 0) der Y = X Z. Løsg: I følge regel R er Y ormalfordelt (sett for eksempel X = X, X = Z, a =, a = og = ). Parameterverdee fer v som EY ( ) = 0= og regel 4.7 var( Y) = var( X) + var( Z) = 4 + = 5 Dermed er Y ~ N(, 5), og det adre eksemplet etter regel R gr: PY ( < 0) = PY ( 0) = G = G(0,45...) = 0,6736 (altså ltt 5 mdre e sasylghete fuet ovefor (= 0,695) for at X selv får egatv verd. Mao. å trekke fra (eller legge tl) Z på X-e er som å tlføre støy på X.). Ata X, X,, X er uavhegge og detsk ormalfordelte med X ~ N(, ) for =,,,. For e vlkårlg har v fra R3 at gjeomsttet er ormalfordelt, X ~ N,. Sde spredge dee fordelge avtar med, er det rmelg å forvete at sasylghete for at X skal få egatve verder øker med. Dette bekreftes av tabell uder. Som før bruker v det adre eksemplet etter R og fer: PX ( < 0) = G = G hvorav, følge tabell D.3 Løvås (sjekk tallee!), Tabell Gjelder hvs hver X er N(-, ) fordelt PX< ( 0) 0,50 0,695 5, 0,8686 0,58 0,949 0,4 0,9875 30,74 0,9969 50 3,54 > 0,9990

4 Egeskape tl gjeomsttet som er beskrevet regel R3 bygger på forutsetge at ekeltobservasjoee er ormalfordelte. Dette er tlsyelatede e sterk forutsetg som bare utaksvs er realstsk prakss. Imdlertd, hvs atall observasjoer () kke er for lte (v bør ha 0 som e tommelfgerregel), vl koklusjoe at gjeomsttet er ormalfordelt fortsatt gjelde tlærmet uasett hvlke fordelg ekeltobservasjoee er trukket fra. Dette er det berømte setralgreseteoremet (kjet sde 6-7-hudretallet). Løvås serverer setralgreseteoremet to versjoer, regel 5.8 og 5.9, samlet regel R4 edefor. Dette betyr eksemplet ovefor at, selv om v kke vet oe mer om fordelge tl X utover at EX ( ) = og var( X ) =, så ka v lkevel slutte at X er tlærmet N, PX ( < 0) G = G fordelt år 0, slk at (merk at de første lkhete er erstattet med ) og tabell ka hvert fall delvs fylles ut: Tabell. PX< ( 0) år hver X har e vlkårlg fordelg med forvetg og stadardavvk. PX< ( 0) 0,50 ------- 5, ------- 0,58 ------- 0,4 0,9875 30,74 0,9969 50 3,54 > 0,9990 Merk at v her kke ka ag oe verder for ( 0) PX< tlfellee =, 5 og 0 ute at v vet mer om fordelge tl ekeltobservasjoee. Det er også verdt å merke seg at tlærmelse tl ormalfordelge blr bedre og bedre dess større er.

5 Regel R4 Setralgreseteoremet La X, X,, X være uavhegge varabler fra samme sasylghetsfordelg (kke ødvedgvs ormalfordelg!) med forvetg, EX ( ) = µ, og stadardavvk, var( X ) =. Hvs er stor ( 0 ases valgvs tlstrekkelg), gjelder X ~ N EX ( ), var( X) = N µ, tlærmet (a) (regel 5.8) ( ) tlærmet (b) (regel 5.9) Y= X + + X ~ N( EY ( ), var( Y) ) = N( µ, ) Merk at (b) (regel 5.9) stregt tatt er overflødg år v har tlgag tl (a) og regel R. For, hvs X er tlærmet N µ, fordelt, følger (hvorfor?) av regel R at Y = X også er tlærmet ormalfordelt: tlærmet Y ~ N ( E( X ), var( X ) ) = N ( E( X ), var( X ) ) = N µ, = N ( µ, ). I tllegg tl dsse reglee er regel 5.0 Løvås vktg som vser at ormalfordelge ofte (kke alltd) ka brukes som tlærmg tl bomske, hypergeometrske og posso-fordelger. Jeg skrver kke opp de regele her, me oppfordrer studetee tl å øve seg på å bruke de. Speselt vktg kapttel 6. Forhåpetlgvs vl presserge av reglee ovefor gjøre dette lettere.