Forelesning Ordnings observatorer

Like dokumenter
Forelesning 4 og 5 Transformasjon, Weibull-, lognormal, beta-, kji-kvadrat -, t-, F- fordeling

Forelesning 19 og 20 Regresjon og korrelasjons (II)

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

Forelesning 25 og 26 Introduksjon til Bayesiansk statistikk

Regler om normalfordelingen

1. Konfidens intervall for

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

Forelesning Enveis ANOVA

TMA4245 Statistikk Eksamen mai 2016

Regler om normalfordelingen

Forelesning Punktestimering

Regler om normalfordelingen

STK1100 våren Konfidensintevaller

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

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

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

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

TMA4240 Statistikk Høst 2016

TMA4245 Statistikk Eksamen august 2014

Løsningskisse seminaroppgaver uke 17 ( april)

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

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

Statistikk med anvendelse i økonomi

Om enkel lineær regresjon II

Seminaroppgaver for uke 13

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 ( )

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

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

Oversikt over tester i Econ 2130

Oversikt over tester i Econ 2130

OBLIGATORISK OPPGAVE 1 INF 3340/4340/9340 HØSTEN 2005

Avdeling for estetiske fag, folkekultur og lærerutdanning BOKMÅL

Om enkel lineær regresjon II

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

TMA4245 Statistikk Eksamen 21. mai 2013

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

Econ 2130 uke 15 (HG)

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007

Om enkel lineær regresjon II

TALLSVAR. 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

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

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

EKSAMEN løsningsforslag

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

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

Eksempel 1 - Er gjennomsnittshøyden for kvinner i Norge økende?

Notat 1: Grunnleggende statistikk og introduksjon til økonometri

(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) ).

Forelesning 3 MET3592 Økonometri ved David Kreiberg Vår 2011

Analyse av sammenhenger

Forelesning 3 mandag den 25. august

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

Oppgave 1 ECON 2130 EKSAMEN 2011 VÅR

Oversikt over tester i Econ 2130

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

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

Estimering 1 -Punktestimering

Statistikk og økonomi, våren 2017

Forelesning Moment og Momentgenererende funksjoner

Forelesning Z-, t-test, test for forventningsdifferanser

Om enkel lineær regresjon I

Estimering 1 -Punktestimering

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.

Chapter 2 - Discrete Mathematics and Its Applications. Løsningsforslag på utvalgte oppgaver

Om enkel lineær regresjon I

Positive rekker. Forelest: 3. Sept, 2004

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

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

Innføring i medisinsk statistikk

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

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

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

Seleksjon og uttak av alderspensjon fra Folketrygden

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

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

TMA4240 Statistikk Eksamen desember 2015

Forkunnskaper i matematikk for fysikkstudenter. Derivasjon.

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

Econ 2130 Forelesning uke 11 (HG)

UNIVERSITETET I OSLO ØKONOMISK INSTITUTT

STK desember 2007

TMA4240/4245 Statistikk Eksamen august 2016

TMA4265 Stokastiske prosesser

Høgskolen i Telemark Avdeling for estetiske fag, folkekultur og lærerutdanning BOKMÅL 12. desember 2008

Gråtonehistogrammer. Histogrammer. Hvordan endre kontrasten i et bilde?

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

UNIVERSITETET I OSLO

Econ 2130 uke 13 (HG)

Erling Siring INNHOLD

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

Løsningsforslag ST2301 øving 3

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

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

ÅMA110 Sannsynlighetsregning med statistikk, våren 2007

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

LØSNINGSFORSLAG TIL EKSAMEN I FAG TMA4245 STATISTIKK 6.august 2004

MOT310 Statistiske metoder 1, høsten 2011

Kap. 9: Inferens om én populasjon

Transkript:

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 ) verdmegde S ( x, x ) : f ( x, x ) 0, og to ye S.V. Y, Y som er fuksjoer (trasformasjoer) av, : Y u Y u S.V. Y, Y: (, ) Geerell prosess: (, ), (, ). Vårt mål er fe smultafordelg tl de to ye g y y, med verdmegde T ( y, y ) : g( y, y ) 0 a. Uttrykk, som fuksjoer av Y, Y, basert på Y u (, ), Y u (, ) : b. F partelt derverte matrse: v ( Y, Y ), v ( Y, Y ) v ( y, y) v ( y, y) y y M v ( y, y) v ( y, y) y y * c. F determate (Jacoba) tl matrse M: d. F smultafordelg tl Y, Y: v v v v det( M ) y y y y g( y, y ) f [ v ( y, y ), v ( y, y )] det( M) ( y, y ) T..) Smultafordelg tl tre ye S.V. Ata at v har f.eks. tre S.V.,, med smultafordelg f ( x, x ) verdmegde S ( x, x, x ) : f ( x, x, x ) 0, og tre ye S.V. Y, Y, Y som er fuksjoer (trasformasjoer) av,, : Y u (,, ), Y u (,, ), Y u (,, ). Og v ka utrykke,, som fuksjoe av Y, Y, Y v ( Y, Y, Y ), v ( Y, Y, Y ), v ( Y, Y, Y ) De smultafordelge tl de tre ye S.V. Y, Y, Y : g( y, y, y ), med verdmegde T ( y, y, y ) : g( y, y, y ) 0, er:

Yushu.L@ub.o g( y, y, y ) f [ v ( y, y, y ), v ( y, y, y ), v ( y, y, y )] det( M) ( y, y, y ) T, v v v y y y v v v M y y y v v v y y y *.) Webull-, Logormal-, Beta- fordelg..) Webull fordelg er oppkalt etter de sveske fyskere Walodd Webull på 99. pdf (fordelgstetthet) av Webull fordelg: er «shape parameter», som bestemmer forme på fordelge. Når, Webull fordelg blr ekspoetalfordelg, og ka brukes for levetdsforvetgsberegger for ett utstyr. er «scale parameter», forskjellge verder av strekker eller komprmerer pdf grafe x-akse. Tre-parametere Webull-fordelg kluderer a «locato parameter», og v erstatter x med x pdf (skfte de opprelge pdf eheter tl høyre på grafe). *Webull fordelg ka modellere styrke og levetd tl mage fysske feomeer på e god måte...) Log-ormal fordelg Hvs e varabel er produktet av et stort atall av uavhegge, lkt fordelte varabler, da er logormal fordelt. Def. E varabel er logormal fordelt hvs Log( ) ~ N(, ) pdf tl e logormal fordelt varabel med parameter :,

Yushu.L@ub.o Logormal fordelg er e fordelg som er høyreskjev. pdf av logormal fordelgstarter på ull, øker s modus, og avtar deretter. Logormal fordelg ka også brukes økoomske modeller hvor varabler må multplseres eller ekspoetelt aslått. *Både log-ormal fordelg og Webull fordelg brukes ofte tl å modellere skjelvt fordelger overlevelsesaalyse og påltelghetsaalyser. (Se vedlagt dokumet på ettet som ka hjelpe tl å velge mellom Webull og Logormal fordelger)..) Beta fordelg Beta fordelg ka brukes tl å modellere stokastsk varabel som er begreset tl tervallet på edelg legde [A, B]. er Beta-fordelt med parametere 0, 0, A og B, hvs pdf tl er Når A=0, B=, har v stadard Beta fordelg, og de brukes valgvs tl å studere varasjoer prosete av oe et datautvalg, eller modellere sasylghet..) Fordelgee avledet fra ormalfordelg kjvadrat-, t-, F-fordelg er tre fordelger som er avledet fra ormalfordelge. Dsse fordelgee vl v seere bruke ofte kofdes tervall og statstsk hypotesetestg...) Kjvadrat fordelg med v frhetsgrader () v, pdf: f x x e x ( v / ) v/ x/ ( ) /, 0 a. La Z, Z,..., Z v være v uavhegge S.V. fra N(0,) fordelg. Da er Y Z Z,..., Zv kj-kvadratfordelt med v frhetsgrader: Y () v. b. La,,..., være uavhegge S.V. fra samme sasylghetsfordelg N(, ) og S ( ). Da er ( ) ( ) S ( ). Dette ka brukes tl for å bygge kofdes tervall og gjeomføre statstsk hypotesetestg for varas seere.

Yushu.L@ub.o..) Studet t fordelg Def. La Z ~ N (0,), V ~ ( v) og ata at Z, V er uavhegge. Da har v: Z T t() v : T er (Studet) t-fordelt med frhetsgrader. V / v Få frhetsgrader v fordelge har stor spredg Når atall frhetsgrader v er stort, er t -fordelge tlærmet lk ormalfordelge,,, er uavhegge stokastske varabler fra N(, )...., S ( ) for å estmere. La t, da S / har v t er (Studet) t-fordelt med - frhetsgrader: t ~ ( ) t. Dette resultatet ka brukes for å bygge kofdes tervall og gjeomføre statstsk hypotesetestg for forvetg seere...) F fordelg Def. La U ( m), V ~ ( ) og ata at U, V er uavhegge. Da er varabele U / m F V / er Fsher-fordelt med m og frhetsgrader: F ~ F ( m, ).,,, er uavhegge stokastske varabler fra N(, )...., S. Y, Y, Y, Y m er uavhegge ( ) stokastske varabler fra N. ( Y, Y) Y Y Y Y m... m, S Y Y m Y ( ) m. Da har v S S / Y Y / ~ F( m, ). Dette resultatet ka brukes tl for å bygge kofdes tervall og gjeomføre statstsk hypotesetestg for varas rato av to S.V. seere.

Yushu.L@ub.o. Ordgs observatorer.) Noe eksempler og defsjo Lvsforskrg: Et ektepar får betalg fra forskrgsselskap år de første av paret dør. V øsker å få fordelge for de mste levetder av paret. Ifrastruktur: Hvs v bygger e beskyttelse mot bølger, treger v få vte oe om maksmalt bølgestyrke. Idustr: E mask kjøre på 0 batterer og steger år det femte batteret dør. Du vl øske å vte fordelg for levetd for det femte batteret. De samme mask blr mdre effektv år tredje batteret dør. Du øsker da å vte fordelge av tdslegde mellom det tredje og femte batteret dør. Def. Ata at La,,..., være uavhegge S.V. fra samme kotuerlg fordelg med cdf som Fx. ( ) Ordgs observatorer er stokastske varabler Y, Y,..., Y, som er plassert stgede rekkefølge basert på verder av,,..., : a. Ordgs observatorer er stokastske varabler selv, ford de er fuksjoer av,,...,. Eg.,,..., 4 N (0,) b. Selv om,,..., er uavhegge, Y, Y,..., Y er aldr uavhegge på gru av ordes restrksjo. c. Meda av,,..., («sample meda») er defert som Y / år er partall, og Y( )/ år er oddetall. *«sample meda» er kke samme som «populato meda», «sample meda» er stokastsk varabel, mes «populato meda» er e kostat m: F( m) P( m) 0.5

Yushu.L@ub.o.) Fordelger tl Y og Y Eks. Ata 5 detske kompoeter som er koblet parallell. La betege levetde (tmer) av de -te kompoete ( =,,, 4, 5). Ata at er uavhegg med hveradre og exp( ), 0.0, (forvetet levetd på e kompoet er 00h). På gru av parallell kofgurasjo, vl systemet fortsette å fugere så lege mst ett kompoete fremdeles fugerer, og vl svkte så sart som de sste kompoete går stkke. Da er systemet levetd Y 5, f cdf og pdf tl Y 5. Eks. Ata at de fem kompoetee er koblet sere stedet for parallelt, da systemet vl krasje så sart e eeste av de ekeltkompoetee svkter. I dette tlfellet vl systems levetd værey, f cdf og pdf tl Y..) Oppsummerg: Y, Y,..., Y er tlvarede ordgs observatorer for kotuerlg S.V.,,..., med cdf Fx ( ) og pdf f( x ). F. cdf og pdf tl Y og Y..) Fordelgstetthete tl k te ordgs observator Y k : g ( y) f ( y), k, k Y k år Y, Y,..., Y er tlsvarede ordgs observatorer for,,..., med cdf Fx ( ) og pdf f( x ). Metode, asymptotsk metode La være et ummer som er svært ær 0. Tek på tre tervaller I (, y], I ( y, y ], I ( y, ) og for e ekel, sasylghetee at lgger på d tre tervallee er heholdsvs: P( I ) F( y), y P( I ) f ( x) dx f ( y), P( I) F( y ) y y For Y k, har v P( Yk I) gk ( y) dy gk ( y). y

Yushu.L@ub.o Å hayk I, da mellom alle observasjoer av,,...,, ka v ha: a. E observasjo (fra observasjoeer) på I ( y, y ] b. k - observasjoer (fra de reste - observasjoer) edefor y (lgger på I (, y] ) c. De sste -k observasjoee ovefor y (lgger på I ( y, ) ) *Kombasjoer C r (atall kombasjoer av r fra ) = Totalt atall mulge måter å velge ut r elemeter, ute tlbakeleggg, fra e gruppe med elemeter. Rekkefølge av elemeter er her kke relevat: C r! r ( r)! r! Eks 4. Ata at e kompoetes levetd er ekspoetelt fordelt med parameter. Når v har fem uavhegge kompoeter, f forvetede verd av meda av de fem kompoeteeslevetder (f forvetede verd av «sample meda», som er EY, og sammelg de med meda av exp( ) («populato meda»), som er m.) Smultafordelgstetthete gr, s( u, v) fy, Y ( u, v), r s, år Y, Y,..., Y er tlsvarede ordgs observatorer for,,..., Å ha Yr u og Ys v, da mellom alle observasjoer av,,...,, mår v ha: a. e observasjo (fra alle observasjoer) på u b. r- observasjoer (fra de reste - observasjoee) edefor u c. e observasjo (fra de reste --(r-) = -r observasjoee) på v d. - s observasjoer (fra de reste -r- observasjoee) ovefor v e. de sste s - r- observasjoee mellom u og v r s

Yushu.L@ub.o.4) Smultafordelgstetthett tl Y, Y,..., Y : g( y, y,..., y ) f ( y, y,..., y ); y y... y Y, Y,..., Y Eks 5. Tek,, er tre uavhegge S.V. fra f (x); 5 <x <5, og Y, Y, Y er tlsvarede ordgs observatorer, f smultafordelgstetthete f,, (8.4, 9.0,0.5) g(8.4, 9.0,0.5). Y Y Y Løsg: Det er 6=! forskjellge måter for å få Y 8.4, Y 9.0, Y 0.5 : Da har v smultafordelgstetthete: Oppsummerg: Å ha Y y, Y y, Y y,..., Y y, da mellom alle observasjoer av,,...,, ka v ha: a. e observasjo (fra alle observasjoer) på y b. e observasjoer (fra de reste - observasjoee) på y c. e observasjo (fra de reste - observasjoee) på y. de sste observasjoe på y Eks 6. Ata,,, 4 er fre uavhegge S.V. fra U(0,). F sasylghete for at hvert par av s er atsklt med mer e 0. Geerelt, hvs,,..., er uavhegge S.V. fra U(0,), har v: P(alle verder er atsklt med mer e d)

Yushu.L@ub.o Eks 7. Ata at babys fødsele td på samme år er jevt fordelt 65-dagers perode. For uavhegg valgte babyer født samme år, f sasylghete at alle babyers fødselsdag er adsklt med mer e dager. Eks 8. La,,..., 6 betege levetd for 6 uavhegge kompoeter heholdsvs, de kommer fra samme fordelg med pdf som f ( x); x, f fordelgstetthete av de tredje mste levetd Y ved bruk av smultafordelgstetthete. pdf tl Y :. Ford, da har v, og,

Yushu.L@ub.o Etter hvert, ka v har:. *Det betyr at v ka fe fordelgstetthete fy k ( y), k, basert på smultafordelgstetthete tl Y, Y,..., Y også.