En Säsongsspelsmodell
|
|
- Georg Hansson
- för 5 år sedan
- Visningar:
Transkript
1 Örebro universitet Handelshögskolan Statistik C, Uppsats Handledare: Niklas Karlsson Examinator: Nicklas Pettersson VT-15 En Säsongsspelsmodell William Pirsech ( )
2 Förord Ett tack till Niklas Karlsson, min handledare, för rådgivning i statistiska frågor. Ett tack till Tomas Ericsson från Kambi, för uppsatsämnet, rådgivning i mer praktiska frågor och för all data som använts i denna uppsats. William Pirsech
3 Sammanfattning I denna uppsats härleds en metod för att generera odds på godtyckliga säsongsspel, baserad på vinnaroutrighten. Genom ett normalfördelningsantagande fås en förenklad analys och en eektivare simuleringsmetod. Metoden testas på Allsvenskan 2015.
4 Innehåll 1 Inledning 1 2 Databeskrivning 2 3 Metod Skattning av matchsannolikheter Vinnaroutright Modell Utvärdering Modellering av säsonger Härledning Simulering av säsonger Resultat Säsongsodds Vinnare Vinnare utan Malmö Best Finishing Position Relegering till Superettan Kvalplacering Best in Region Tester av modellantaganden Val av regressionsmodell Normalitet Slutsats 15 6 Appendix Härledning av kovariansformeln Data
5 1 Inledning Säsongsspel är spel på olika utfall under en säsong. Det kan vara vem som vinner säsongen, vilka lag som relegeras till lägre division eller andra händelser som rör lagens slutgiltiga placering. Det nns en efterfrågan bland spelare på er säsongsspel, men eftersom det är svårt att sätta odds på dessa spel är utbudet litet, begränsat till stora ligor och till vissa sporter. Oddset på en händelse anger hur mycket du vinner per satsad krona om händelsen inträar. Ett oskattat odds är helt enkelt inversen av en skattad sannolikhet p. För att ett spelbolag ska gå med vinst tar de ut en skatt. Om sannolikheten för en händelse bedöms vara 50% och en skatt tas ut på 5% är oddset som erbjuds spelarna (1 0.05) = Om 100 kr satsas på ett odds på 1.90, är vinsten vid fördelaktigt utfall 190 kr, vilket inkluderar det satsade beloppet. Vid ofördelaktigt utfall förloras de satsade kronorna. Spelbolagens skatt varierar kraftigt mellan olika odds och olika speltyper och är i regel högre för händelser med låg skattad sannolikhet. I denna uppsats används odds utan någon skatt inräknad. Vinnaroutrighten är oddset på att ett lag vinner serien, vilken här alltid sätts under antagandet att inga matcher ännu är spelade, så att tagna poäng inte påverkar dess värde. Oftast nns god intuition, från spelbolagens sida, om lagens relativa styrka. På grund av detta antas att vinnaroutrights håller god kvalitet och därför kan användas. För odds på mer exotiska händelser, som kvalplacering eller relegering, är det inte lika uppenbart hur sannolikt ett utfall är. Syftet med denna uppsats är att ta fram och testa en metod för värdering av odds på godtyckliga säsongsspel. Vinnaroutrighten används här som en skattning av lagens styrka. Från vinnaroutrighten tas oddsen för säsongsspel tas fram. Detta görs genom att från vinnaroutrighten skatta matchsannolikheter för alla återstående matcher i säsongen. Från dessa matchsannolikheter simuleras matchutfall för återstående matcher i säsongen. Poäng från redan spelade matcher räknas med. Genom utfallen i dessa simulerade säsonger kan man ta fram sannolikheter för alla tänkbara säsongsspel. Metoden testas på Allsvenskan I Allsvenskan spelar 16 lag alla mot alla, totalt 30 matcher var och 240 matcher totalt. Det lag som vinner en match får 3 poäng. Om matchen slutar oavgjort får båda lagen 1 poäng. Det lag med est poäng när säsongen är över vinner. De två poängmässigt sämsta lagen relegeras till Superettan. Odds tas fram för några intressanta säsongsspel. I nästa avsnitt ges en beskrivning av den data som använts. Därefter följer en ingående beskrivning av metoden. I avsnitt 4 testas och utvärderas den på Allsvenskan Slutligen följer en diskussion och slutsatser. 1
6 2 Databeskrivning Vinnaroutrights kommer från Kambi. De från 2014 är satta innan säsongens början och används för att ta fram en formel för matchssannolikheter som kan användas på säsong Vinnaroutrights för 2015 är tagna vid två tidpunkter - precis innan säsongen och en uppdaterad outright tagen efter omgång 8. De satta efter omgång 8 är satta utan lagens tagna poäng inräknade, så att enbart lagets skattade förmåga påverkar dess värde. Tabell 1: Vinnaroutrights 2015, med tillhörande härledd styrka S, som beskrivs i nästa avsnitt. Lag Initiell Outright Uppdaterad Outright Initiell S Uppdaterad S Malmö FF IFK Göteborg AIK IF Elfsborg BK Häcken Hammarby IF Djurgårdens IF Helsingborgs IF Kalmar FF Örebro SK IFK Norrköping Åtvidabergs FF Halmstads BK Gee IF GIF Sundsvall Falkenbergs FF ÖSK:s initiella outright sattes till IFK Norrköpings sattes till Detta innebär att ÖSK bedömdes vara lite bättre än IFK Norrköping i början av säsongen. Efter omgång 8 har detta ändrats - ÖSK:s prestation har höjt deras outright ganska mycket samtidigt som IFK Norrköping har fått sin outright sänkt en aning. Därför tros IFK Norrköping nu vara bättre än ÖSK. Matchodds från Allsvenskan 2014 används för utvärdering. Dessa kommer från Betradar (2015) och är ett genomsnitt av matchodds satta av spelbolag precis innan matchstart. 2
7 3 Metod 3.1 Skattning av matchsannolikheter Låt utfallet i en viss match betecknas med slumpvariabeln Y. Y har tre möjliga utfall: 1, X eller 2. Eftersom det nns en tydlig ordning i dessa utfall, antas att Y är ordinal. På grund av detta används en ordinal logistisk regressionsmodell med antagande om proportionella odds. Se Agresti (2010) för en fullständig beskrivning av sådana modeller. Alla regressionsmodeller skattas med R och paketet VGAM, se Yee (2015) Vinnaroutright Låt OR beteckna vinnaroutrighten för något lag. Om p är sannolikheten för att laget ifråga vinner säsongen, ges OR av OR = 1 p. (1) Denna sätts av en expert genom erfarenhet och intuition, baserat på den information som nns tillgänglig om lagets nuvarande förmåga, under antagandet att inga matcher ännu är spelade. Lagets prestation under säsongen är en viktig del av värderingen av denna, men andra faktorer ingår. Även om vinnaroutrighten är en gissning på oddset för att ett lag vinner ligan, ska den här ses mer som ett subjektivt mått på hur bra ett lag är. För att ta fram en användbar prediktor för regression utgås från OR 1 = 1 p p. Detta är ett odds i traditionell, statistisk mening som en kvot av sannolikheter. Eftersom relativa förändringar i denna ligger närmare till hands än absoluta, utförs logaritmering. Låt därför styrkan S för ett lag ges av S = log(or 1). (2) Denna variabel ligger till grund för regressionsmodellen. Ju större den är, desto bättre förväntas ett lag vara. Se Tabell 1 för värden på S för olika lag Modell I en ordinal regressionsmodell används kumulativa log-odds som svarsvariabel. Dessa är på formen ( ) P(Y ) c = log, (3) 1 P(Y ) där är någon av 1 eller X. En ordinal regressionsmodell används, given av { c 1 = α 1 + β(s H S A ) c X = α X + β(s H S A ). (4) S H och S A är hemma- respektive borta-lagets styrka. Modellparametrar skattas från matchutfall och vinnaroutrights från tidigare säsong. Parametrarna α 1, α X och β skattas med Maximum Likelihood. 3
8 3.1.3 Utvärdering För att avgöra om antagandet om proportionella odds (Agresti, 2010) är giltigt jämförs (4) mot den mer generella { c 1 = α 1 + β 1 (S H S A ). (5) c X = α X + β X (S H S A ) En vanlig metod för att testa antagandet är att med hypotesprövning, exempelvis ett likelihoodkvot-test, avgöra om det nns någon statistiskt signikant skillnad mellan (4) och (5). Enligt Agresti (2010, s. 71) är sådana tester problematiska, eftersom statistisk signikans inte nödvändigtvis innebär praktisk signikans. En alternativ metod, beskriven av Kim (2003) är att plotta de skattade sannolikheterna från respektive modell mot varandra. Om de ser ut att följa linjen y = x väl, är antagandet om proportionella odds i praktiska termer uppfyllt. Som referenspunkt för passningsgrad används en nollmodell. Den ges av { c 1 = α 1 c X = α X. (6) Ett mått på hur väl en modell passar matchresultaten relativt nollmodellen är McFaddens Pseudo- R 2. För en modell med log-likelihood LL ges den av där LL 0 är log-likelihood för nollmodellen. R 2 = 1 LL LL 0, (7) För att avgöra hur bra den ordinala regressionsmodellen given av (4) passar data, jämförs regressionsmodellen med spelbolagens odds. Dessa odds är tagna precis före match och förväntas därför vara bättre. Log-likelihood för spelbolagets modell, LL Spelbolag, kan tas fram genom de implicita matchsannolikheterna. 3.2 Modellering av säsonger Alla säsongsspel utgår från lagens totala poäng för säsongen. Ett lag får 3, 0 eller 1 poäng i en match om det vinner, förlorar respektive spelar oavgjort. Dessa utfall har sannolikheter som är helt kända givet regressionsmodellen ovan. En metod för simulering av säsonger är att utföra ktiva spel på alla matcher. Eftersom denna metod är långsam, används en alternativ metod - genom att betrakta poängfördelningen för alla lag som en helhet och approximera denna med en multivariat normalfördelning kan man eektivt sampla slutgiltig poäng för säsongen, utan att behöva simulera enskilda matcher Härledning Om inga matcher ännu är spelade har varje lag 30 matcher kvar att spela, 15 hemma och 15 på bortaplan. Alla 16 lag möter varje annat lag två gånger, en gång hemma och en gång borta för totalt 30 matcher var och 240 matcher totalt. Låt π (1) i,j och π (2) i,j vara slumpvariabler som representerar 4
9 poängen för lag i respektive j, i den match där lag i är hemma och lag j är borta. Exempelvis kommer π (1) i,j anta något av värdena 3, 0 eller 1 beroende på om lag i på hemmaplan vinner, förlorar eller spelar oavgjort mot lag j. Sannolikheterna för dessa utfall är p (1) i,j, p(2) i,j respektive p(x) i,j. Dessa tre storheter skattades från regressionsmodellen. j: j i Låt π i vara slumpvariabeln som representerar lag i:s totalpoäng för säsongen. Den kan skrivas som π i = π (1) i,j + π (2) j,i. (8) Om alla matcher är ospelade kommer detta vara en summa av 30 oberoende slumpvariabler. Med stöd av centrala gränsvärdessatsen görs därför antagandet att π i är normalfördelad. Man kan gå ett steg längre och anta att vektorn π = (π 1, π 2,..., π 16 ) T av alla totalpoänger är en multivarat normal slumpvariabel, alltså att j: j i π N(µ, Σ). (9) Här är µ vektorn av förväntade poänger och Σ är kovariansmatrisen till fördelningen. Både µ och Σ kan bestämmas enbart med hjälp av de skattade matchsannolikheterna. Förväntat värde för poäng i enskilda matcher för hemma- respektive bortalag ges av [ E [ E π (1) i,j π (2) i,j ] ] = p (X) i,j + 3p (1) i,j, (10) = p (X) i,j + 3p (2) i,j. (11) Genom att ta förväntat värde över alla termer, med insättning av (10) och (11) i (8) fås lagets förväntade totalpoäng E [π i ] = [ ] p (X) i,j + 3p (1) i,j + [ ] p (X) j,i + 3p (2) j,i. (12) j: j i j: j i Detta ger alla komponenter för vektorn µ. Varians i poäng i individuella matcher ges av [ Var [ Var π (1) i,j π (2) i,j ] ] = p (X) i,j + 9p (1) i,j (p(x) i,j + 3p (1) i,j )2, (13) = p (X) i,j + 9p (2) i,j (p(x) i,j + 3p (2) i,j )2. (14) Insättning av (13) och (14) i (8) ger variansen i totalpoäng för lag i till Var[π i ] = j: j i [ p (X) i,j + 9p (1) i,j (p(x) i,j + 3p (1) i,j )2] + j: j i Det sista som behövs är kovariansen i poäng mellan lag. Man kan visa att [ p (X) j,i + 9p (2) j,i (p(x) j,i + 3p (2) j,i )2]. (15) 5
10 Cov[π i, π j ] = p (X) i,j (p (X) i,j + 3p (1) i,j )(p(x) i,j + 3p (2) i,j ) + p (X) j,i (p (X) j,i + 3p (1) j,i )(p(x) j,i + 3p (2) j,i ). (16) Se Appendix för fullständig härledning av kovariansen. Detta tillsammans med variansen ger Σ Simulering av säsonger Metoden för sampling ur en multivariat normalfördelning 1 som används här går kortfattat ut på att man diagonaliserar kovariansmatrisen Σ enligt Σ = UDU T. Bilda därefter x = µ + UD 1 2 z, (17) där z är en kolonnvektor av oberoende standardnormalfördelade variabler, vilka eektivt kan genereras. Då kommer vektorn x vara normalfördelad med väntevärde µ och varians Σ, som önskat. Med andra ord är x ett stickprov ur π, det vill säga ett simulerat poängresultat för en säsong. Alltså kan en simulering av utgången i en hel säsong utföras genom att: Generera 16 standardnormalfördelade tal innehållna i kolonnvektorn z. Utföra matrisoperation på vektorn z, given av (17). De simulerade totalpoängerna för säsongen ges då av x. Beräkna rangordningen av varje element i x för att få lagens simulerade placering. Upprepa detta ett stort antal gånger. Den relativa frekvensen för intressanta händelser bland dessa simuleringar ger säsongsodds. 1 Se för en kort introduktion till den multivariata normalfördelningen, samt samplingsmetoden. 6
11 4 Resultat En regressionsmodell skattas från 2014 års data. Från denna, med vinnaroutrighten från år 2015, tas matchsannolikheter för 2015 fram. Med dessa skattas parametrarna i normalfördelningen (9). Därefter simuleras säsonger. Figur 1: Simulerad fördelning för slutgiltig poäng för alla lag Normalapproximation användes simulerade säsonger. Baserad på outrights och matchresultat tagna efter omgång 8. Tabellen till höger ger de olika lagen, sorterade efter förväntad poäng från lägsta till högsta. 4.1 Säsongsodds Alla säsongsodds beräknas med normalapproximation. Två uppsättningar vinnaroutrights används: Initiella (I), tagna innan säsong 2015 börjar. Uppdaterade (U), tagna efter omgång 8, alltså med 64 av 240 matcher spelade. Här räknas tagna poäng med och endast framtida matcher simuleras. Här presenteras odds för ett antal olika spel som används av spelbolag, eller helt enkelt bedöms vara intressanta. Denna metod kan dock ta fram odds för vilka säsongsspel som helst. 7
12 4.1.1 Vinnare Detta är oddsen på att ett visst lag vinner ligan. Här är det intressant att jämföra med de vinnaroutrights vi utgick från - vinnaroutrights var ju tänkta att ge oddsen för precis denna händelse. Överlag följer vinnarodds och vinnaroutrights varandra någorlunda. Att de inte överensstämmer för högre odds är väntat. Tabell 2: Oddsen till att ett visst lag vinner ligan. Tillhörande outrights i parentes. Vinnare Lag Odds (I) Odds (U) Malmö FF 1.64 (2.02) 1.55 (1.85) IFKG Göteborg 7.62 (7.22) 4.82 (6.50) AIK 9.10 (8.33) (20.00) IF Elfsborg (14.12) 8.75 (8.00) BK Häcken (21.18) (30.00) Hammarby IF (35.00) (40.00) Djurgårdens IF (38.75) (40.00) Helsingborgs IF (42.50) (85.00) Kalmar FF (51.25) (130.00) Örebro SK (63.75) (175.00) IFK Norrköping (70.00) (85.00) Åtvidabergs FF (440.00) (200.0) Halmstads BK (627.50) ( ) Gee IF (752.50) (750.00) Falkenbergs FF (877.50) (750.00) GIF Sundsvall (877.50) ( ) Vinnare utan Malmö Eftersom Malmö är storfavoriter för säsongen är det intressant att titta på säsongen utan dem. 8
13 Tabell 3: Vinnare om man bortser från Malmö FF:s placering. Vinnare utan Malmö Lag Odds (I) Odds (U) IFKG Göteborg AIK IF Elfsborg BK Häcken Hammarby IF Djurgårdens IF Helsingborgs IF Kalmar FF Örebro SK IFK Norrköping Åtvidabergs FF Halmstads BK Gee IF Falkenbergs FF GIF Sundsvall Best Finishing Position Detta är oddsen för att lag i kommer före lag j i poäng. Till skillnad från andra säsongsodds kan denna beräknas exakt, det vill säga utan simulering. Eftersom poängfördelningar är normalfördelade, kan sannolikheten beräknas som: ( ) E[π i ] E[π j ] P(π i > π j ) = 1 Φ, (18) (Var [π i ] + Var [π j ] 2 Cov [π i, π j ]) 1 2 där Φ är den kumulativa fördelningsfunktionen till standardnormalfördelningen. Tabell 4: Odds för Best Finishing Position för några kombinationer av lag. Best Finishing Position Lag i Lag j Odds (I) Odds (U) GIF Sundsvall Gee IF Malmö FF AIK IFK Norrköping Åtvidabergs FF IFK Göteborg IF Elfsborg IFK Göteborg BK Häcken AIK Djurgårdens IF AIK Hammarby IF Djurgårdens IF Hammarby IF
14 4.1.4 Relegering till Superettan Ett lag i Allsvenskan relegeras direkt till Superettan om det kommer på plats 15 eller 16. Tabell 5: Odds för relegering till Superettan. Relegering till Superettan Lag Odds (I) Odds (U) Falkenberg GIF Sundsvall Gee IF Halmstads BK Åtvidabergs FF IFK Norrköping Örebro SK Kalmar FF Helsingborgs IF Djurgårdens IF Hammarby IF BK Häcken IF Elfsborg AIK IFK Göteborg Malmö FF Kvalplacering Det lag som kommer på 14:e plats kommer att få spela mot ett lag i Superettan om plats i nästa säsong. 10
15 Tabell 6: Odds för kvalplacering. Lag Odds (I) Odds (U) GIF Sundsvall Falkenbergs FF Gee IF Halmstads BK Åtvidabergs FF IFK Norrköping Örebro SK Kalmar FF Helsingborgs IF Djurgårdens IF Hammarby IF BK Häcken IF Elfsborg AIK IFK Göteborg Malmö FF Best in Region I dessa spel delar man upp ligan i grupper efter region. Man spelar på vem som kommer först i dessa. Tabell 7: Best in Region Lag Odds (I) Odds (U) Best in Stockholm AIK Hammarby IF Djurgårdens IF Best in West IFK Göteborg IF Elfsborg BK Häcken Falkenbergs FF Halmstads BK Best of the Rest Örebro SK IFK Norrköping GIF Sundsvall Gee IF Åtvidabergs FF
16 4.2 Tester av modellantaganden Två förutsättningar är kritiska - valet av modell för matchsannolikheter, samt normalfördelningsantagandet vid simulering. De utvärderas här Val av regressionsmodell Modellparametrar skattas med outrights och resultat från Antagandet om proportionella odds testas genom att jämföra modellen av intresse, den proportionella modellen, given av (4), mot den generella modellen, given av (5). Nollmodellen, samt spelbolagens skattningar av matchsannolikhet innan match, anges här som referenspukter. Tabell 8: Parameterskattningar och annan information om modellerna. Proportionell Skattning Medelfel α α X β Generell Skattning Medelfel α α X β β X Nollmodell Proportionell Generell Spelbolag Log-Likelihood (LL) Pseudo-R % 5.695% 5.782% 7.933% Antal Frihetsgrader Att spelbolagets matchsannolikheter ger bättre pseudo-r 2 är väntat, men skillnaden är mindre än väntat, vilket får tala för modellens giltighet. Spelbolagets odds är satta precis innan matchstart och har därför använt sig av mer information. Regressionsmodellens å andra sidan, är baserade på vinnaroutrights satta innan säsongens början. 12
17 Figur 2: Skattade matchsannolikheter för säsong 2014, för den proportionella och den generella modellen på var sin axel. En plot av skattade matchsannolikheter enligt metoden från Kim (2003) visar inte på någon meningsfull skillnad mellan den proportionella och den generella modellen eftersom ingen av oddstyperna 1, X eller 2 avviker avsevärt från linjen y = x. Därför antas antagandet om proportionella odds vara uppfyllt Normalitet Antag först att inga matcher är spelade ännu. Genom att generera ett antal säsongsodds, å ena sidan med normalapproximation och å andra sidan genom direkt simulering, jämförs därefter resultaten. Eftersom direkt simulering är så långsamt kan endast simuleringar utföras, varför viss avvikelse mellan metoderna är väntad. 13
18 Tabell 9: Ett stickprov av odds jämförs med både direkt simulering och normalapproximation. Inga matcher spelade. Best in Stockholm Lag Normalapproximation Direkt simulering AIK Hammarby IF Djurgårdens IF Relegering Lag Normalapproximation Direkt Simulering Falkenberg GIF Sundsvall Gee IF Halmstads BK
19 5 Slutsats Användandet av ordinal logistisk regression med proportionella odds verkar vara en giltig metod. Som prediktiv modell för matchodds är den knappast något att skryta med och duger inte för värdespel på en hel säsong, men det är inte heller syftet. Den ger användbara matchsannolikheter givet ett litet input av vinnaroutrights som sätts av användaren. Ett problem med de outrights som sattes här är att regressionssambandet tas fram baserat på initiella outrights för De outrights som sattes i början av 2014 verkar ha underskattat lag som presterade bra, vilket gör att det skattade sambandet mellan outrights och matchsannolikheter blir för starkt. Detta leder i sin tur till att Malmö FF i 2015, ett lag med mycket låg vinnaroutright, får alldeles för optimistiska odds. Det kanske ger bättre resultat att för 2014 ta outrights satta i efterhand, i slutet av säsongen, eller genom att sätta outrighten som ett genomsnittlig betyg över lagets prestation under säsongen. Detta påverkar dock inte själva metodens giltighet utan bara valet av input. Normalapproximationen bygger på centrala gränsvärdessatsen, vilken förutsätter att antalet addender i (8), alltså antalet matcher ett visst lag har kvar att spela, är tillräckligt stort. Allteftersom säsongen fortgår kommer detta antal att minska. Den naturliga frågan är hur länge normalapproximationen är giltig. Antagandet verkar vara riktigt även med relativt få kvarvarande matcher. Även en poängsumma med bara 5 termer ser ganska normalfördelad ut. En idé är att man övergår till exakt beräkning när något lag endast har 4 matcher kvar. Då är en direkt simulering beräkningsmässigt genomförbar. Vinnaroutrighten är ett säsongsodds som nns tillgängligt för många sporter och många ligor. Det verkar också som att en väl vald vinnaroutright säger tillräckligt mycket om säsongens utgång för att vara användbar. Med metoden beskriven i denna uppsats kan man därför använda sig av den för att ta enkelt fram odds på alla tänkbara säsongsspel. 15
20 Referenser Agresti, A. (2010). Analysis of Ordinal Categorical Data. Second Edition. Kim, J-H. Assessing practical signicance of the proportional odds assumption. Statistics & Probability Letters, Volume 65, Issue November Betradar. R Core Team (2013). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL Thomas W. Yee (2015). VGAM: Vector Generalized Linear and Additive Models. R package version URL 16
21 6 Appendix 6.1 Härledning av kovariansformeln Formeln för kovarians mellan totalpoänger visas här. Formlerna för förväntat värde och varians är enkla i jämförelse. Med kovariansoperatorn skrivs kovariansen i poäng mellan två lag som Cov [π i, π j ] = Cov π (1) i,j + π (2) j,i, π (1) j,j + π (2). (19) j : j i j : j i j : j j j : j j Eftersom kovariansoperatorn är bilinjär kan all summation yttas till utsidan av uttrycket: j,j : j,,j j [ [ Cov π (1) i,j ] [ j,j + Cov, π(1) π (1) i,j, π(2) j,j j,j ] [ ] [ ]] + Cov π (2) j,i, π(1) j,j + Cov π (2) j,i, π(2) j,j. (20) Detta uttryck kan verka invecklat, men det förenklas av att poänger ur olika matcher antas vara oberoende. Detta innebär att Cov [π i1,j 1, π i2,j 2 ] 0 bara om i 1 = i 2 och j 1 = j 2. Detta reducerar summan till endast två termer: [ ] [ ] Cov π (1) i,j, π(2) i,j + Cov π (2) j,i, π(1) j,i. (21) Dessa termer representerar de två matcher där lagen möter varandra. Kovarians för den första termen kan skrivas som: [ ] [ ] [ ] [ ] Cov π (1) i,j, π(2) i,j = E π (1) i,j π(2) i,j E π (1) i,j E π (2) i,j. (22) Detta beräknas till ( ) 0 3 p (1) i,j p(x) i,j p (2) i,j ( ) ( ) 3 p (1) i,j + 1 p(x) i,j + 0 p (2) i,j 0 p (1) i,j + 1 p(x) i,j + 3 p (2) i,j ( ) ( ) p (X) i,j p (X) i,j + 3p (1) i,j p (X) i,j + 3p (2) i,j = (23). Kovariansen för den andra termen bestäms på exakt samma sätt. Detta ger formel (16). En måttligt intressant övning är att visa att kovariansen alltid är ickepositiv. 6.2 Data Se för all kod. Excellen Seasonmodel2015.xlsx innehåller all data som använts, med initiella outrights. Seasonmodel2015_2.xlsx innehåller data med uppdaterade outrights. 17
Omgång 1 1-4 april Omgång 2 8-10 april Omgång 3 14-17 april Omgång 4 22-24 april Omgång 5 26-27 april
ALLSVENSKAN 2006 Preliminärt spelprogram där dagar och avsparkstider för de enskilda matcherna bestäms i samråd med föreningarna när TV-avtalet för 2006 är klart. De datum som anges vid omgångarna är den
Läs merFÖRELÄSNING 7:
FÖRELÄSNING 7: 2016-05-10 LÄRANDEMÅL Normalfördelningen Standardnormalfördelning Centrala gränsvärdessatsen Konfidensintervall Konfidensnivå Konfidensintervall för väntevärdet då variansen är känd Samla
Läs merLektionsanteckningar 11-12: Normalfördelningen
Lektionsanteckningar 11-12: Normalfördelningen När utfallsrummet för en slumpvariabel kan anta vilket värde som helst i ett givet intervall är variabeln kontinuerlig. Det är väsentligt att utfallsrummet
Läs merTentamen i Statistik, STA A13 Deltentamen 1, 4p 13 november 2004, kl. 09.00-13.00
Karlstads universitet Institutionen för informationsteknologi Avdelningen för statistik Tentamen i Statistik, STA A Deltentamen, 4p november 004, kl. 09.00-.00 Tillåtna hjälpmedel: Bifogad formel- och
Läs merVid spelordningsmöte den 10 december 2009 kommer dagar att fastställas. Nedan endast huvudspeldag i respektive omgång.
Förslag ALLVENSKAN 2010 Vid spelordningsmöte den 10 december 2009 kommer dagar att fastställas. Nedan endast huvudspeldag i respektive omgång. Omgång 1 Omgång 2 Omgång 3 Omgång 4 Omgång 5 (14 mars) Helsingborgs
Läs merMatematisk statistik 9hp Föreläsning 7: Normalfördelning
Matematisk statistik 9hp Föreläsning 7: Normalfördelning Anna Lindgren 29+3 september 216 Anna Lindgren anna@maths.lth.se FMS12/MASB3 F7: normalfördelning 1/18 Kovarians, C(X, Y) Repetition Normalfördelning
Läs merSuède Retard 26 avril Sue Örebro SK Örgryte IS 01:01
Suède 2001 Journée n 1 7 avril 505410 0,52143 01 Sue Hammarby IF Gif Sundsvall 01:00 8 avril 123412 0,51445 01 Sue BK Häcken Halmstads BK 02:01 412152 303414 01 Sue IFK Norrköping IF Elfsborg 00:03 9 avril
Läs merKap 6: Normalfördelningen. Normalfördelningen Normalfördelningen som approximation till binomialfördelningen
Kap 6: Normalfördelningen Normalfördelningen Normalfördelningen som approximation till binomialfördelningen σ μ 1 Sats 6 A Om vi ändrar läge och/eller skala på en normalfördelning så har vi fortfarande
Läs merAllsvenskan Original 2017 omg Omg Lag Lag Dag Datum Tid
Allsvenskan Original 2017 omg. 1-21 Omg Lag - Lag Dag Datum Tid 1 Halmstad - Östersunds FK Lör 01-apr 16:00 GIF Sundsvall - Athletic FC Eskilstuna Sön 02-apr 15:00 1 IFK Norrköping FK - Hammarby Sön 02-apr
Läs merFör logitmodellen ges G (=F) av den logistiska funktionen: (= exp(z)/(1+ exp(z))
Logitmodellen För logitmodellen ges G (=F) av den logistiska funktionen: F(z) = e z /(1 + e z ) (= exp(z)/(1+ exp(z)) Funktionen motsvarar den kumulativa fördelningsfunktionen för en standardiserad logistiskt
Läs merFöreläsning G60 Statistiska metoder
Föreläsning 4 Statistiska metoder 1 Dagens föreläsning o Sannolikhet Vad är sannolikhet? o Slumpvariabel o Sannolikhetsfördelningar Binomialfördelning Normalfördelning o Stickprov och population o Centrala
Läs merLogistisk regression och Indexteori. Patrik Zetterberg. 7 januari 2013
Föreläsning 9 Logistisk regression och Indexteori Patrik Zetterberg 7 januari 2013 1 / 33 Logistisk regression I logistisk regression har vi en binär (kategorisk) responsvariabel Y i som vanligen kodas
Läs merJörgen Säve-Söderbergh
SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 8 Binomial-, hypergeometrisk- och Poissonfördelning Exakta egenskaper Approximativa egenskaper Jörgen Säve-Söderbergh Binomialfördelningen
Läs merFÖRELÄSNING 8:
FÖRELÄSNING 8: 016-05-17 LÄRANDEMÅL Konfidensintervall för väntevärdet då variansen är okänd T-fördelningen Goodness of fit-test χ -fördelningen Hypotestest Signifikansgrad Samla in data Sammanställ data
Läs merTill ampad statistik (A5) Förläsning 13: Logistisk regression
Till ampad statistik (A5) Förläsning 13: Logistisk regression Ronnie Pingel Statistiska institutionen Senast uppdaterad: 2016-03-08 Exempel 1: NTU2015 Exempel 2: En jobbannons Exempel 3 1 1 Klofstad, C.
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 7 15 november 2017 1 / 28 Lite om kontrollskrivning och laborationer Kontrollskrivningen omfattar Kap. 1 5 i boken, alltså Föreläsning
Läs merFöreläsning 7. Statistikens grunder.
Föreläsning 7. Statistikens grunder. Jesper Rydén Matematiska institutionen, Uppsala universitet jesper.ryden@math.uu.se 1MS008, 1MS777 vt 2016 Föreläsningens innehåll Översikt, dagens föreläsning: Inledande
Läs merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik Chalmers University of Technology September 21, 2015 Tvådimensionella fördelningar Definition En två dimensionell slumpvariabel (X, Y ) tillordnar två
Läs merSpelprogram - Allsvenskan, herrar
1 von 10 07.11.2014 14:09 Spelprogram - Allsvenskan, herrar Spelprogram Tabell och resultat Skytteliga SvFF Sortera spelprogram på: Datum Omgång Omgång 1 2014-03-30 15:00 IF Brommapojkarna - Kalmar FF
Läs merStatistik 1 för biologer, logopeder och psykologer
Innehåll 1 Grunderna i sannolikhetslära 2 Innehåll 1 Grunderna i sannolikhetslära 2 Satistik och sannolikhetslära Statistik handlar om att utvinna information från data. I praktiken inhehåller de data
Läs merFör logitmodellen ges G (=F) av den logistiska funktionen: (= exp(z)/(1+ exp(z))
Logitmodellen För logitmodellen ges G (=F) av den logistiska funktionen: F(z) = e z /(1 + e z ) (= exp(z)/(1+ exp(z)) Funktionen motsvarar den kumulativa fördelningsfunktionen för en standardiserad logistiskt
Läs merGrundläggande matematisk statistik
Grundläggande matematisk statistik Kontinuerliga fördelningar Uwe Menzel, 8 www.matstat.de Begrepp fördelning Hur beter sig en variabel slumpmässigt? En slumpvariabel (s.v.) har en viss fördelning, d.v.s.
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2019-06-07 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 9.00 14.00 Lärare: Adam Jonsson Jourhavande
Läs merFotboll. Slump eller systematik???
Fotboll Slump eller systematik??? eller Hur rund är bollen? Välkomna till gamla Ullevi Gamla Ullevi Nygamla Ullevi Gôrnya Ullevi, Lilla Ullevi Svarte Filip, Gunnar Gren, trion Grenoli, Glenn Hysén, Torbjörn
Läs merFöreläsning 1. Repetition av sannolikhetsteori. Patrik Zetterberg. 6 december 2012
Föreläsning 1 Repetition av sannolikhetsteori Patrik Zetterberg 6 december 2012 1 / 28 Viktiga statistiska begrepp För att kunna förstå mer avancerade koncept under kursens gång är det viktigt att vi förstår
Läs merSummor av slumpvariabler
1/18 Summor av slumpvariabler Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 9/2 2011 2/18 Dagens föreläsning Parkeringsplatsproblemet Räkneregler för väntevärden Räkneregler
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 10 27 november 2017 1 / 28 Idag Mer om punktskattningar Minsta-kvadrat-metoden (Kap. 11.6) Intervallskattning (Kap. 12.2) Tillämpning på
Läs merA l l s v e n s k a n 2 0 0 9 OBS! att speldagar kan komma att ändras!
A l l s v e n s k a n 2 0 0 9 OBS! att speldagar kan komma att ändras! Kommentarer Omgång 1 lö 4 april kl. 16.00 BK Häcken - Malmö FF lö 4 april kl. 16.00 IF Elfsborg- Hammarby TV4 sö 5 april kl. 15.00
Läs merIntroduktion. Konfidensintervall. Parade observationer Sammanfattning Minitab. Oberoende stickprov. Konfidensintervall. Minitab
Uppfödning av kyckling och fiskleveroljor Statistiska jämförelser: parvisa observationer och oberoende stickprov Matematik och statistik för biologer, 10 hp Fredrik Jonsson vt 2012 Fiskleverolja tillsätts
Läs merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik Chalmers University of Technology April 27, 2015 Tvådimensionella fördelningar Definition En två dimensionell slumpvariabel (X, Y ) tillordnar två numeriska
Läs merRättningstiden är i normalfall 15 arbetsdagar, till detta tillkommer upp till 5 arbetsdagar för administration, annars är det detta datum som gäller:
Matematisk Statistik Provmoment: Ladokkod: Tentamen ges för: Tentamen 6.5 hp AT1MS1 DTEIN16h 7,5 högskolepoäng TentamensKod: Tentamensdatum: 1 juni 2017 Tid: 14-18 Hjälpmedel: Miniräknare Totalt antal
Läs merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE301 Sannolikhet, statistik och risk 2018-05-31 kl. 8:30-13:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Ivar Simonsson, telefon: 031-7725325 Hjälpmedel: Valfri
Läs merGrundläggande matematisk statistik
Grundläggande matematisk statistik Linjär Regression Uwe Menzel, 2018 uwe.menzel@slu.se; uwe.menzel@matstat.de www.matstat.de Linjär Regression y i y 5 y 3 mätvärden x i, y i y 1 x 1 x 2 x 3 x 4 x 6 x
Läs merStatistik 1 för biologer, logopeder och psykologer
Innehåll 1 Hypotesprövning Innehåll Hypotesprövning 1 Hypotesprövning Inledande exempel Hypotesprövning Exempel. Vi är intresserade av en variabel X om vilken vi kan anta att den är (approximativt) normalfördelad
Läs merSuède Allsvenskan
Suède 2003 Allsvenskan Journée n 1 5 avril 0,13210 0,52014 01 Sue Landskrona IFK Göteborg 02:01 6 avril 214541 01 Sue AIK Enköping 03:00 141541 324503 01 Sue Örgryte IS Helsingborg lf 01:04 7 avril 454342
Läs merOddssättning. - utvärdering av modeller för skattning av matchodds i Svenska Superligan i innebandy
Örebro universitet Handelshögskolan Statistik C, Uppsats Handledare: Niklas Karlsson Examinator: Nicklas Pettersson VT 2015 Oddssättning - utvärdering av modeller för skattning av matchodds i Svenska Superligan
Läs mer1. För tiden mellan två besök gäller. V(X i ) = 1 λ 2 = 25. X i Exp (λ) E(X i ) = 1 λ = 5s λ = 1 5
LÖSNINGAR TILL Matematisk statistik Tentamen: 29 7 kl 8 3 Matematikcentrum FMSF45 Matematisk statistik AK för D,I,Pi,F, 9 h Lunds universitet MASB3 Matematisk statistik AK för fysiker, 9 h. För tiden mellan
Läs merLärmål Sannolikhet, statistik och risk 2015
Lärmål Sannolikhet, statistik och risk 2015 Johan Jonasson Februari 2016 Följande begrepp och metoder ska behärskas väl, kunna förklaras och tillämpas. Direkta bevis av satser från kursen kommer inte på
Läs merExempel på tentamensuppgifter
STOCKHOLMS UNIVERSITET 4 mars 2010 Matematiska institutionen Avd. för matematisk statistik Mikael Andersson Exempel på tentamensuppgifter Uppgift 1 Betrakta en allmän I J-tabell enligt 1 2 3 J Σ 1 n 11
Läs merStokastiska vektorer och multivariat normalfördelning
Stokastiska vektorer och multivariat normalfördelning Johan Thim johanthim@liuse 3 november 08 Repetition Definition Låt X och Y vara stokastiska variabler med EX µ X, V X σx, EY µ Y samt V Y σy Kovariansen
Läs merFörslag Allsvenskan 2009. Kommentarer
Förslag Allsvenskan 2009 Omgång 1 (5 april) Helsingborgs IF- IFK Göteborg IF Elfsborg- Hammarby Djurgården - Örebro BK Häcken - Malmö FF Trelleborgs FF- IF Brommapojkarna AIK Halmstads BK Gefle IF FF Kalmar
Läs merHärledning av Black-Littermans formel mha allmänna linjära modellen
Härledning av Black-Littermans formel mha allmänna linjära modellen Ett sätt att få fram Black-Littermans formel är att formulera problemet att hitta lämpliga justerade avkastningar som ett skattningsproblem
Läs merFöreläsning 11: Mer om jämförelser och inferens
Föreläsning 11: Mer om jämförelser och inferens Matematisk statistik David Bolin Chalmers University of Technology Maj 12, 2014 Oberoende stickprov Vi antar att vi har två oberoende stickprov n 1 observationer
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2017-08-22 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 9.00 14.00 Jourhavande lärare: Mykola
Läs merDatorövning 1: Fördelningar
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMS012/MASB03: MATEMATISK STATISTIK, 9 HP, VT-17 Datorövning 1: Fördelningar I denna datorövning ska du utforska begreppen sannolikhet och
Läs merSF1901: SANNOLIKHETSTEORI OCH STATISTIKTEORI KONSTEN ATT DRA INTERVALLSKATTNING. STATISTIK SLUTSATSER. Tatjana Pavlenko.
SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 10 STATISTIKTEORI KONSTEN ATT DRA SLUTSATSER. INTERVALLSKATTNING. Tatjana Pavlenko 25 april 2017 PLAN FÖR DAGENS FÖRELÄSNING Statistisk inferens oversikt
Läs merKap 2. Sannolikhetsteorins grunder
Kap 2. Sannolikhetsteorins grunder Olika händelser och deras mängbetäckningar Sats 2.7 Dragning utan återläggning av k element ur n (utan hänsyn till ordning) kan ske på ( n ) olika sätt k För två händelser
Läs merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE301 Sannolikhet, statistik och risk 2017-06-01 kl. 8:30-13:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Ivar Simonsson, telefon: 031-7725325 Hjälpmedel: Valfri
Läs merFORMELSAMLING MATEMATISK STATISTIK FÖR W; FMSF75 UPPDATERAD Sannolikhetsteori. Beskrivning av data. Läges-, spridnings- och beroendemått
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK FORMELSAMLING MATEMATISK STATISTIK FÖR W; FMSF75 UPPDATERAD 208-08-26 Sannolikhetsteori Följande gäller för sannolikheter: 0 P(A P(Ω = P(A
Läs merExempel. Kontinuerliga stokastiska variabler. Integraler i stället för summor. Integraler i stället för summor
Kontinuerliga stokastiska variabler Exempel En stokastisk variabel är kontinuerlig om den kan anta vilka värden som helst i ett intervall, men sannolikheten för varje enskilt utfall är noll: P(X = x) =.
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 6 13 november 2017 1 / 29 Idag Förra gången Mer om väntevärden och varianser (Kap. 5.2 5.3) Beroendemått (Kap. 5.4) Summor, linjärkombinationer
Läs merMatematisk statistik för B, K, N, BME och Kemister
Matematisk statistik för B, K, N, BME och Kemister Föreläsning 9 Joakim Lübeck (Johan Lindström 25 september 217 Johan Lindström - johanl@maths.lth.se FMSF7/MASB2 F9 1/23 Repetition Inferens för diskret
Läs merF2 Introduktion. Sannolikheter Standardavvikelse Normalapproximation Sammanfattning Minitab. F2 Introduktion
Gnuer i skyddade/oskyddade områden, binära utfall och binomialfördelningar Matematik och statistik för biologer, 10 hp Fredrik Jonsson Januari 2012 I vissa områden i Afrika har man observerat att förekomsten
Läs merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE301 Sannolikhet, statistik och risk 2017-08-15 kl. 8:30-13:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Olof Elias, telefon: 031-7725325 Hjälpmedel: Valfri
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2017-06-02 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 9.00 14.00 Lärare: Mikael Stenlund Examinator:
Läs merRepetitionsföreläsning
Slumpförsök Repetitionsföreläsning Föreläsning 15 Sannolikhet och Statistik 5 hp Med händelser A B... avses delmängder av ett utfallsrum. Slumpförsök = utfallsrummet + ett sannolikhetsmått P. Fredrik Jonsson
Läs merAMatematiska institutionen avd matematisk statistik
Kungl Tekniska Högskolan AMatematiska institutionen avd matematisk statistik TENTAMEN I 5B1503 STATISTIK MED FÖRSÖKSPLANERING FÖR B OCH K FREDAGEN DEN 11 JANUARI 2002 KL 14.00 19.00. Examinator: Gunnar
Läs merMatematisk statistik KTH. Formelsamling i matematisk statistik
Matematisk statistik KTH Formelsamling i matematisk statistik Vårterminen 2017 1 Kombinatorik ) n n! = k k! n k)!. Tolkning: mängd med n element. ) n = antalet delmängder av storlek k ur en k 2 Stokastiska
Läs merALLSVENSKAN 2012. Omgång 2. Omgång 3. Omgång 4. Kommentar. Omgång 1
1 ALLSVENSKAN 2012 Omgång 1 Kommentar lö 31 mars kl. 16.00 IF Elfsborg Djurgården lö 31 mars kl. 16.00 GIF Sundsvall Kalmar FF lö 31 mars kl. 16.00 GAIS BK Häcken sö 1 april kl. 15.00 AIK Mjällby AIF sö
Läs mer(a) Avgör om A och B är beroende händelser. (5 p) (b) Bestäm sannolikheten att A inträffat givet att någon av händelserna A och B inträffat.
Avd. Matematisk statistik TENTAMEN I SF1901, SANNOLIKHETSLÄRA OCH STATISTIK I, MÅNDAGEN DEN 15 AUGUSTI 2016 KL 08.00 13.00. Examinator: Tatjana Pavlenko, 08 790 84 66. Kursledare: Thomas Önskog, 08 790
Läs merBayesiansk statistik, 732g43, 7.5 hp
Bayesiansk statistik, 732g43, 7.5 hp Moment 2 - Linjär regressionsanalys Bertil Wegmann STIMA, IDA, Linköpings universitet Bertil Wegmann (STIMA, LiU) Bayesiansk statistik 1 / 29 Översikt moment 2: linjär
Läs merPROGRAMFÖRKLARING I. Statistik för modellval och prediktion. Ett exempel: vågriktning och våghöjd
Statistik för modellval och prediktion att beskriva, förklara och förutsäga Georg Lindgren PROGRAMFÖRKLARING I Matematisk statistik, Lunds universitet stik för modellval och prediktion p.1/4 Statistik
Läs merF8 Skattningar. Måns Thulin. Uppsala universitet Statistik för ingenjörer 14/ /17
1/17 F8 Skattningar Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 14/2 2013 Inledande exempel: kullager Antag att diametern på kullager av en viss typ är normalfördelad N(µ,
Läs merTMS136. Föreläsning 10
TMS136 Föreläsning 10 Intervallskattningar Vi har sett att vi givet ett stickprov kan göra punktskattningar för fördelnings-/populationsparametrar En punkskattning är som vi minns ett tal som är en (förhoppningsvis
Läs merMatematisk statistik KTH. Formel- och tabellsamling i matematisk statistik
Matematisk statistik KTH Formel- och tabellsamling i matematisk statistik Varterminen 2005 . Kombinatorik n = k n! k!n k!. Tolkning: n k mängd med n element. 2. Stokastiska variabler V X = EX 2 EX 2 =
Läs merAvd. Matematisk statistik
Avd. Matematisk statistik TENTAMEN I SF1913 MATEMATISK STATISTIK FÖR IT OCH ME ONSDAGEN DEN 12 JANUARI 2011 KL 14.00 19.00. Examinator: Camilla Landén, tel. 7908466. Tillåtna hjälpmedel: Formel- och tabellsamling
Läs merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE301 Sannolikhet, statistik och risk 2018-10-12 kl. 8:30-13:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Olof Elias, telefon: 031-7725325 Hjälpmedel: Valfri
Läs merLaboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 4 MATEMATISK STATISTIK, FÖR I/PI, FMS 121/2, HT-3 Laboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
Läs merSF1901: Sannolikhetslära och statistik
SF1901: Sannolikhetslära och statistik Föreläsning 6. Normalfördelning, Centrala gränsvärdessatsen, Approximationer Jan Grandell & Timo Koski 06.02.2012 Jan Grandell & Timo Koski () Matematisk statistik
Läs merLycka till!
Avd. Matematisk statistik TENTAMEN I 5B1503 STATISTIK MED FÖRSÖKSPLANERING FÖR K OCH B MÅNDAGEN DEN 25 AUGUSTI 2003 KL 14.00 19.00. Examinator: Gunnar Englund, 790 7416. Tillåtna hjälpmedel: Formel- och
Läs merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE30 Sannolikhet, statistik och risk 207-06-0 kl. 8:30-3:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Ivar Simonsson, telefon: 03-7725348 Hjälpmedel: Valfri miniräknare.
Läs mer4 Diskret stokastisk variabel
4 Diskret stokastisk variabel En stokastisk variabel är en variabel vars värde bestäms av utfallet av ett slumpmässigt försök. En stokastisk variabel betecknas ofta med X, Y eller Z (i läroboken används
Läs merF9 Konfidensintervall
1/16 F9 Konfidensintervall Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 18/2 2013 2/16 Kursinformation och repetition Första inlämningsuppgiften rättas nu i veckan. För att
Läs merTentamen för kursen. Linjära statistiska modeller. 17 februari
STOCKHOLMS UNIVERSITET MATEMATISK STATISTIK Tentamen för kursen Linjära statistiska modeller 17 februari 2010 9 14 Examinator: Anders Björkström, tel. 16 45 54, bjorks@math.su.se Återlämning: Rum 312,
Läs merTentamen i Statistik, STA A13 Deltentamen 2, 5p 21 januari 2006, kl
Karlstads universitet Institutionen för informationsteknologi Avdelningen för statistik Tentamen i Statistik, STA A13 Deltentamen, 5p 1 januari 006, kl. 09.00-13.00 Tillåtna hjälpmedel: Bifogad formel-
Läs merTMS136. Föreläsning 7
TMS136 Föreläsning 7 Stickprov När vi pysslar med statistik handlar det ofta om att baserat på stickprovsinformation göra utlåtanden om den population stickprovet är draget ifrån Situationen skulle kunna
Läs merMS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I
MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I G. Gripenberg Sannolikheter Slumpvariabler Centrala gränsvärdessatsen Aalto-universitetet 8 januari 04 3 Tvådimensionella slumpvariabler
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 4 7 november 2017 1 / 29 Idag Förra gången Viktiga kontinuerliga fördelningar (Kap. 3.6) Fördelningsfunktion (Kap. 3.7) Funktioner av stokastiska
Läs merRättningstiden är i normalfall 15 arbetsdagar, till detta tillkommer upp till 5 arbetsdagar för administration, annars är det detta datum som gäller:
Matematisk Statistik Provmoment: Ladokkod: Tentamen ges för: Tentamen TT091A TGMAS15h 7,5 högskolepoäng TentamensKod: Tentamensdatum: 30 Maj Tid: 9-13 Hjälpmedel: Miniräknare (nollställd) samt allmänspråklig
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2016-06-03 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 9.00 14.00 Lärare: Adam Jonsson Jourhavande
Läs merStokastiska processer med diskret tid
Stokastiska processer med diskret tid Vi tänker oss en följd av stokastiska variabler X 1, X 2, X 3,.... Talen 1, 2, 3,... räknar upp tidpunkter som förflutit från startpunkten 1. De stokastiska variablerna
Läs merMS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I
MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I G. Gripenberg Aalto-universitetet 28 januari 2014 G. Gripenberg (Aalto-universitetet) MS-A0509 Grundkurs i sannolikhetskalkyl
Läs mer4.1 Grundläggande sannolikhetslära
4.1 Grundläggande sannolikhetslära När osäkerhet förekommer kan man aldrig uttala sig tvärsäkert. Istället använder vi sannolikheter, väntevärden, standardavvikelser osv. Sannolikhet är ett tal mellan
Läs mer1/23 REGRESSIONSANALYS. Statistiska institutionen, Stockholms universitet
1/23 REGRESSIONSANALYS F4 Linda Wänström Statistiska institutionen, Stockholms universitet 2/23 Multipel regressionsanalys Multipel regressionsanalys kan ses som en utvidgning av enkel linjär regressionsanalys.
Läs merF9 SAMPLINGFÖRDELNINGAR (NCT
Stat. teori gk, ht 006, JW F9 SAMPLINGFÖRDELNINGAR (NCT 7.1-7.4) Ordlista till NCT Sample Population Simple random sampling Sampling distribution Sample mean Standard error The central limit theorem Proportion
Läs merTentamen för kursen. Linjära statistiska modeller. 22 augusti
STOCKHOLMS UNIVERSITET MATEMATISK STATISTIK Tentamen för kursen Linjära statistiska modeller 22 augusti 2008 9 14 Examinator: Anders Björkström, tel. 16 45 54, bjorks@math.su.se Återlämning: Rum 312, hus
Läs merTentamen i Statistik, STA A10 och STA A13 (9 poäng) Måndag 14 maj 2007, Kl
Karlstads universitet Avdelningen för nationalekonomi och statistik Tentamen i Statistik, STA A10 och STA A13 (9 poäng) Måndag 14 maj 2007, Kl 08.15-13.15 Tillåtna hjälpmedel: Bifogad formelsamling, approximationsschema
Läs meroberoende av varandra så observationerna är
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF55: Matematisk statistik för C och M OH-bilder på föreläsning 1, 1-5-7 REGRESSION (repetition) Vi har mätningarna ( 1, 1 ),..., ( n, n
Läs merFöreläsning 12: Regression
Föreläsning 12: Regression Matematisk statistik David Bolin Chalmers University of Technology Maj 15, 2014 Binomialfördelningen Låt X Bin(n, p). Vi observerar x och vill ha information om p. p = x/n är
Läs merA l l s v e n s k a n 2 0 0 9 OBS! att speldagar kan komma att ändras!
A l l s v e n s k a n 2 0 0 9 OBS! att speldagar kan komma att ändras! Kommentarer Omgång 1 lö 4 april kl. 16.00 BK Häcken - Malmö FF lö 4 april kl. 16.00 IF Elfsborg- Hammarby TV4 sö 5 april kl. 15.00
Läs merTentamen i Tillämpad Matematik och statistik för IT-forensik. Del 2: Statistik 7.5 hp
Tentamen i Tillämpad Matematik och statistik för IT-forensik. Del 2: Statistik 7.5 hp 15 januari, 2014 kl. 9.00 13.00 Maxpoäng: 30p. Betygsgränser: 12p: betyg G, 21p: betyg VG. Hjälpmedel: Typgodkänd miniräknare
Läs merFöreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar
Föreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar Stas Volkov Stanislav Volkov s.volkov@maths.lth.se FMSF20 F8: Statistikteori 1/20 Översikt Exempel Repetition Exempel Matematisk statistik
Läs merNedan redovisas resultatet med hjälp av ett antal olika diagram (pkt 1-6):
EM-fotboll 2012 några grafer Sport är en verksamhet som genererar mängder av numerisk information som följs med stort intresse EM i fotboll är inget undantag och detta dokument visar några grafer med kommentarer
Läs merFöreläsning 6, Repetition Sannolikhetslära
Föreläsning 6, Repetition Sannolikhetslära kap 4 Sannolikhetslära och slumpvariabler kap 5 Stickprov, medelvärden, CGS, binomialfördelning Viktiga grundbegrepp utfall, händelse, sannolikheter, betingad
Läs merTentamen MVE302 Sannolikhet och statistik
Tentamen MVE32 Sannolikhet och statistik 219-6-5 kl. 8:3-12:3 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Oskar Allerbo, telefon: 31-7725325 Hjälpmedel: Valfri miniräknare.
Läs merF3 Introduktion Stickprov
Utrotningshotad tandnoting i arktiska vatten Inferens om väntevärde baserat på medelvärde och standardavvikelse Matematik och statistik för biologer, 10 hp Tandnoting är en torskliknande fisk som lever
Läs merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik David Bolin Chalmers University of Technology April 7, 2014 Projektuppgift Projektet går ut på att genomföra ett statistiskt försök och analysera resultaten.
Läs merVi har en ursprungspopulation/-fördelning med medelvärde µ.
P-värde P=probability Sannolikhetsvärde som är resultat av en statistisk test. Anger sannolikheten för att göra den observation vi har gjort eller ett sämre / mer extremt utfall om H 0 är sann. Vi har
Läs mer0 om x < 0, F X (x) = c x. 1 om x 2.
Avd. Matematisk statistik TENTAMEN I SF193 SANNOLIKHETSLÄRA OCH STATISTIK FÖR 3-ÅRIG Media TIMEH MÅNDAGEN DEN 16 AUGUSTI 1 KL 8. 13.. Examinator: Gunnar Englund, tel. 7974 16. Tillåtna hjälpmedel: Läroboken.
Läs merInnehåll: 3.4 Parametriskt eller ej 3.5 Life Table 3.6 Kaplan Meier 4. Cox Regression 4.1 Hazard Function 4.2 Estimering (PL)
Innehåll: 1. Risk & Odds 1.1 Risk Ratio 1.2 Odds Ratio 2. Logistisk Regression 2.1 Ln Odds 2.2 SPSS Output 2.3 Estimering (ML) 2.4 Multipel 3. Survival Analys 3.1 vs. Logistisk 3.2 Censurerade data 3.3
Läs mer