STK1100 våren Konfidensintevaller

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

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

TMA4245 Statistikk Eksamen august 2014

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

1. Konfidens intervall for

TMA4240 Statistikk Høst 2016

TMA4245 Statistikk Eksamen 21. mai 2013

TMA4245 Statistikk Eksamen mai 2016

Econ 2130 uke 15 (HG)

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

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

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

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 ( )

Om enkel lineær regresjon II

Forelesning 25 og 26 Introduksjon til Bayesiansk statistikk

Forelesning Punktestimering

Forelesning 19 og 20 Regresjon og korrelasjons (II)

Om enkel lineær regresjon II

Om enkel lineær regresjon II

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

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

Oversikt over tester i Econ 2130

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

Forelesning Ordnings observatorer

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

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

Oversikt over konfidensintervall i Econ 2130

EKSAMEN løsningsforslag

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007

Løsningskisse seminaroppgaver uke 17 ( april)

Analyse av sammenhenger

Avdeling for estetiske fag, folkekultur og lærerutdanning BOKMÅL

Statistikk med anvendelse i økonomi

Notat 1: Grunnleggende statistikk og introduksjon til økonometri

Estimering 2. -Konfidensintervall

OBLIGATORISK OPPGAVE 1 INF 3340/4340/9340 HØSTEN 2005

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

Oversikt over tester i Econ 2130

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

Regler om normalfordelingen

Seminaroppgaver for uke 13

Regler om normalfordelingen

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

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

Forelesning Enveis ANOVA

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

Estimering 1 -Punktestimering

Regler om normalfordelingen

Estimering 1 -Punktestimering

Forelesning 3 MET3592 Økonometri ved David Kreiberg Vår 2011

STK1100 våren 2017 Estimering

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

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

Løsningsforsalg til første sett med obligatoriske oppgaver i STK1110 høsten 2015

Eksempel 1 - Er gjennomsnittshøyden for kvinner i Norge økende?

X 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.

Oversikt over tester i Econ 2130

Oppgave 1 ECON 2130 EKSAMEN 2011 VÅR

Forelesning 3 mandag den 25. august

(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) ).

Econ 2130 uke 13 (HG)

Hypotesetesting, del 4

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

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 2010 Kp. 6, del 4

MOT310 Statistiske metoder 1, høsten 2011

TMA4240 Statistikk Høst 2016

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

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

Statistikk og økonomi, våren 2017

Oppgaver fra boka: X 2 X n 1

TMA4300 Mod. stat. metoder

Forelesning 2 MET3592 Økonometri ved David Kreiberg Vår 2011

Løsningsforsalg til første sett med obligatoriske oppgaver i STK1110 høsten 2018

LØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4240 STATISTIKK 5.august 2004

HØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi

HØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi

UNIVERSITETET I OSLO

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

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

STK desember 2007

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

ECON240 Statistikk og økonometri

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

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

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

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)

Løsningsforslag ST1101/ST6101 kontinuasjonseksamen 2018

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

Oppgaver. Multiple regresjon. Forelesning 3 MET3592 Økonometri ved David Kreiberg Vår 2011

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

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

Kap. 9: Inferens om én populasjon

TMA4240 Statistikk Høst 2015

Kapittel 8: Estimering

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

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

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

TMA4240/4245 Statistikk Eksamen august 2016

Transkript:

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 gager med et bestemt apparat og får resultatee ( mg per lter):..49.6.4.6 V atar målgee hu får med apparatet er ormalfordelte med forvetgsverd lk de sae kosetrasjoe µ (så det er ge systematske målefel) og stadardavvk = 0.0 Et puktestmat for µ er x=.3 Ka v g et tervall som med stor skkerhet eholder de vrkelge kosetrasjoe? Geerelt har v følgede stuasjo: Observasjoee x, x,..., x er observerte verder av stokastske varabler X, X,..., X som er uavhegge og Nµ (, )- fordelte, der er kjet V vl bestemme et tervall som med stor skkerhet eholder µ V har at Det følger at X N ~ ( µ, / ) X µ Z= / ~ N(0,) 3 V har at (.96 Z.96) = 0.9 dvs X µ.96.96 = 0.9 / Ved å omforme ulkhetee gr dette at X.96 µ X+.96 = 0.9 Så det stokastske tervallet X.96, X+.96 eholder µ med 9% sasylghet 4

Når v setter de observerte verdee x, x,..., x av de stokastske varablee X, X,..., X får v tervallet x.96, x+.96 Dette er et 9% kofdestervall for µ I eksempel får v tervallet 0.0.3±.96 dvs.3± 0.09 Smulerg av 0 kofdestervaller m=.0; s=0.0; =; axs([m-0.,m+0.,0,0]) hold o plot([m,m],[0,0],'r') for k=:0 x=ormrd(m,s,,); low=mea(x)-.96*s/sqrt(); up= mea(x)+.96*s/sqrt(); plot([low,up],[k,k],'b') ed V ka s at 0.09 er e felmarg for estmatet Atall tervaller som eholder de sae verde av µ er bomsk fordelt med p = 0.9 6 Bredde av kofdestervallet 0.0 Kofdestervallet tl kjemkere var.3±.96 0.0 Bredde av tervallet er.96 = 0.7 Hvor mage målger må kjemkere gjøre hvs hu øsker at kofdestervallet skal ha bredde 0.? Med observasjoer blr bredde 0.0 Altså.96 = 0. 0.0.96 Det gr.96 0.0 = = 0.67, dvs målger 0. Det er valg å se på kofdestervall med kofdeskoeffset 90%, 9% eller 99% Geerelt er et 00( α)% kofdestervall for µ gtt ved x zα /, x+ z α/ eller kort x± z / / α 8

Eksempel E ae kjemker er teressert å bestemme pressjoe tl et apparat Ha bruker e stadardløsg med kjet kosetrasjo µ = 4.00 og måler kosetrasjoe av dee seks gager med apparatet og får resultatee 3.86 4.7 3.77 3.99 4.04 4.0 V atar som før at måleresultatee er ormalfordelte, me å er det som er ukjet mes µ er kjet Ka v g et estmat for? Ka v g et tervall som med stor skkerhet eholder de vrkelge pressjoe? 9 Geerelt har v følgede stuasjo: Observasjoee x, x,..., x er observerte verder av stokastske varabler X som, X,..., X er uavhegge og Nµ (, )- fordelte, der µ er kjet V har at E{( X µ ) } = V( X ) = E forvetgsrett estmator for er ˆ µ = ( X ) = Estmator for : ˆ= ( X µ ) = I eksempel får v estmatet ˆ= 0.37 0 For å fe et kofdestervall, merker v oss først at X µ Z= ~ N(0,) ( ) X µ Det følger at Z = er kj-kvadratfordelt med frhetsgrad, dvs. gamma-fordelt med α= / og β= (se sdee 00 og 4) Det følger at ˆ = ( µ ) = = = Z X ~ gamma( /,) dvs. kj-kvadratfordelt med frhetsgrader αν La, være 00( α)% persetle kj-kvadratfordelge med ν frhetsgrader Hvs U og V er uavhegge og U ~ gammaα (, β) V ~ gammaα (, β) så er (se oppgave 6.44) U V gammaα α β Da har v at ˆ = 0.9 0.97, 0.0, + ~ ( +, )

Det gr ˆ ˆ = 0.9 0.0, 0.97, ˆ ˆ 0.9 = 0.0, 0.97, 9% kofdesterval ˆ, 0.0, 0.97, ˆ I eksempel får v: 6 6 0.37, 0.37 = (0.088, 0.30) 4.44.37 3 Geerelt framgagsmåte for kofdestervall V har stokastske varabler X, X,..., X V vl bestemme et 00(-α)% kofdestervall for e parameter θ Ata at v har e observator h( X, X,..., X, θ) og at fordelge tl observatore kke avheger av θ eller oe adre parametere Hvs v lar a og b være 00 ( α / )%-persetle og 00 ( α / )%-persetle fordelge tl h( X, X,..., X, θ) så har v at ( θ ) a h( X, X,..., X, ) b = α 4 Ata å at v ka omforme ulkhetee: a h( X, X,..., X, θ) b L( X, X,..., X ) θ U( X, X,..., X ) Da har v at: ( θ ) L( X, X,..., X ) U( X, X,..., X ) = α Eksempel: E har målt tde mellom 800 mpulser e ervefber (http://www.statsc.org/data/geeral/erve.html) V ka modellere ervempulsee som e ossoprosess (jf. sdee 49-). Tde mellom to mpulser er da ekspotalfordelt (jf. sde 99) Når v setter de observerte verdee x, x,..., x av de stokastske varablee X, X,..., X får v et 00(-α)% kofdestervall for θ : [ L( x, x,..., x ), U( x, x,..., x )] x =.9 (ehet /00 sekud) V vl fe et 9% kofdestervall for forvetet td mellom to ervempulser 6

Geerelt har v følgede stuasjo: Observasjoee x, x,..., x er observerte verder av stokastske varabler X, X,..., X som er uavhegge og ekspoetalfordelt, dvs de har tetthete (jf. sde 98) λx λ e for x 0 f ( x, λ) = 0 for x< 0 V vl fe et kofdestervall for forvetgsverde µ=/λ V fer først et kofdestervall for λ V ka vse at Y= λ X er kj-kvadratfordelt med frhetsgrader, dvs gamma-fordelt med α= / = og β= (detaljer på forelesge) Det følger at Y= λ X = λx = = er kj-kvadratfordelt med frhetsgrader, dvs. gamma-fordelt med α= / = og β= 7 8 αν La, være 00( α)% persetle kj-kvadratfordelge med ν frhetsgrader Da har v at Det gr ( 0.97, λx 0.0,) = 0.9 0.97, 0.0, λ = 0.9 X X Av dette får v et 9% kofdestervall for λ 9 Forvetgsverde er gtt ved Derfor er λ = / µ og v har at 0.97, 0.0, = 0.9 X µ X µ = / λ Dette gr X X µ 0.9 = 0.0, 0.97, Et 9% kofdestervall for forvetgsverde er x x, 0.0, 0.97, 0

For ervempulsee har v at =799 og Av MATLAB fer v at = x=.9 0.97,98 489. kommado: chv(0.0, 98) 0.0,98= 70.7 kommado: chv(0.97, 98) Et 9% kofdestervall for forvetet td mellom to ervempulser er (målt /00 sekuder) dvs 799.9 799.9, 70.7 489. [ 0., 3.]