Hemuppgift 2 ARMA-modeller
|
|
- Hanna Månsson
- för 7 år sedan
- Visningar:
Transkript
1 Lunds Universitet Ekonomihögskolan Statistiska Institutionen STAB 13 VT11 Hemuppgift 2 ARMA-modeller 1 Inledning Denna hemuppgift är uppdelad i två delar. I den första ska ni med hjälp av olika simuleringar studera de statistiska egenskaperna hos ARMA(p,q)-processer. Främst hur processens realiseringar {Y (t)}, dess kovariansfunktion C[X(t), X(t + k)] och korrelationsfunktionen ρ X (t, t + k), beror av koecenterna och innovationsvariansen σ 2 e, parametrarna i modellen. I den andra delen ska ni stationarisera en icke-stationär tidsserie {Y (t)} med hjälp av dierensbildningsoperatorn, Y (t) = Y (t) Y (t 1) i ett eller era steg d Y (t). I denna del är det lämpligt att ni använder något av de datamaterial från hemuppgift 1. Hemuppgiften redovisas med en kort rapport där ni beskriver tillvägagångssättet vid analysen samt era slutsatser. Valda modeller ska valideras på sedvanligt sätt är parametrarna signikanta, vilken fördelning har residualerna, nns det någon beroende struktur hos dessa, etc. Bakgrundsteorin som behövs för att genomföra hemuppgiften nns i kapitel 4 och 5 i kursboken: Time series Analysis, Cryer & Chan, De inledande räkneuppgifterna redovisas handskrivna rapporten ska i övrigt vara författad i lämplig ordbehandlare. Om rapporten lämnas in via ska den vara i pdf-format. [ pegus@maths.lth.se] Hemuppgiften ska lämnas in senast fred 29/4 kl Förberedelseuppgifter a) Deniera en AR(p)-process, en MA(q)-process samt en ARMA(p,q)-process. Skriv också upp den karakteristriska ekvationen för en AR(p) respektive MA(q)- process. b) En AR(1)-process har kovariansfunktionen γ(k) = 4(0.6) k. Vilken AR(1)-process är det och hur stor är variansen V [e t ] = σ 2 t? Ledning: använd Yule-Walkers ekvationer. c) Använd Yule Walkers ekvationer för att beräkna kovarians- och korrelationsfunktionen för följande AR(2)-process. Y (t) = θ 1 Y (t 1) + θ 2 Y (t 2) + e(t), där e(t) är vitt brus med variansen σ 2 e = 2 och där θ 1 = 0.5, och θ 2 = 0.8. d) Vilka villkor måste vara uppfyllda för att en AR(2), MA(2) eller ARMA(2, 2)- process ska vara stabila. e) Avgör ifall MA(2)-processen: Y (t) = e(t) θ 1 e(t 1)+θ 2 e(t 2), där θ 1 = 1.8 och θ 2 = 0.5 är inverterbar. Vad innebär det att en MA(p)-process är inverterbar respektive inte inverterbar? 1
2 2 Simulering av ARMA(p,q)-processer 2.1 R-kommandon Användbara kommandon för simulering av ARMA(p,q)-modeller, beräkning av teoretisk och skattad kovarians- och korrelationsfunktion i R. Simulering av ARMA(p,q)-process: arima.sim(model=list(ar=c(φ 1,...),ma=-c(θ 1,...)),n=antal värden,sd=σ). Alternativt: arima.sim(list(order=c(p,d,q),ar=c(φ 1,...),ma=-c(θ 1,...)),n=antal värden,sd=σ). Skattning av kovarians- korrelations-funktionen hos en ARMA(p,q)-process: acf(y,...). Den teoretiska korrelations-funktionen hos en ARMA(p,q)-process: ARMAacf(ar= c(...), ma= c(...)). Dierensbildning Y (t) av processen Y (t): diff(y,...). 2.2 AR(1) MA(1) processer Börja med att undersöka en AR(1)-process. Välj två värden på φ med motsatt tecken men med samma absolutvärde, tänk på att φ < 1. Simulera respektive process ni bör åtminstone simulera olika värden. Bestäm därefter både den skattade och den teoretiska korrelations- och kovariansfunktionen. Förklara skillnaden mellan de två processerna och hur man kan se det både i processens realiseringar och dess kovarians/korrelationsfunktioner. Genomför därefter motsvarande simuleringar och analys för en MA(1)-process. 2.3 AR(2) När det gäller AR(2)-processer kan man trots att det nns klara begränsningar på vilka värden på φ 1 och φ 2 man måste välja för att processen ska vara stabil få en stor variation på hur processerna kommer att bete sig. Begränsningarna nns illustrerade i guren på sidan 72 i grundboken. Det är svårt att med avseende på värdena av φ i direkt avgöra hur processen kommer att bete sig men det nns i princip tre olika grundstrukturer för korrelations- kovariansfunktionen för processen. Beroende på i vilken eller vilka regioner (reella respektive komplexa rötter hos den karakteristiska ekvationen) man väljer koecienterna kommer korrelations- och kovariansfunktionen att se ut på olika sätt. Den kan bli alternerande respektive icke alternerande, där avtagandet antingen kommer att vara rent exponentiellt eller oscillerande men också en kombination av ett oscillerande och exponentiellt avtagande. Det som är avgörande för processens utseende är alltså ifall valet av koecienter ger upphov till komplexa eller reella rötter till den karakteristiska ekvationen för AR(2)-processen. Er uppgift är att prova några kombinationer av koecienter i AR(2)-modellen med utgångspunkt från guren sid 72 och försöka avgöra vilken typ av grundstruktur som man får när man väljer koecienter som motsvarar reella rötter respektive komplexa rötter. Kan man identiera vilken grundtyp korrelationsfunktionen tillhör så har man också en uppfattning om värdena på koecienterna i modellen. Den struktur ni får fram 2
3 hos korrelationsfunktionen kan ni också hitta i själva processen. Det är alltså viktig att ni gör en koppling mellan själva, simuleringarna av processen, kovarians- respektive korrelations funktionen och valet av koecienter. Tänk på att om magnituden hos koecienterna är liten (nära 0) är beroendet väldigt lågt och det kan då vara svårt att identiera strukturerna. 2.4 ARMA(p,q) Undersök ett par olika realiseringar av enkla ARMA(p,q) processer. Använd era erfarenheter från ovanstående uppgift när ni väljer koecienter och ordning i modellerna. 2.5 Inverterbarhet hos MA-process I denna del av hemuppgiften ska ni studera dualiteten (inverterbarheten) mellan en MA(1)-process och en AR(p)-process av oändlig ordning. Antag att vi har en MA(1)-process: Y (t) = e t θe(t 1), där θ = 0.5 och θ = 0.5. Leta upp motsvarande AR(p)-processer, Y (t) = (θy (t 1) + θ 2 Y (t 2) + θ 3 Y (t 3)) e t. Gör en simulering av respektive MA(1)-process och skatta deras korrelationsfunktioner. Studera därefter motsvarande AR(p)-processer. Hur många termer, p, måste vi använda i AR(p)-processen för att, i praktiken, vi inte ska kunna särskilja realiseringarna och korrelationsfunktionerna från MA(1)-processerna samt deras motsvarande AR(p)-process? Kan det bero på värdet av θ? 3 Trendanalys med hjälp av tidsdierensbildning När man har en tidsseriemodell som inte är stationär utan av typen: Y (t) = µ(t) + X(t) där µ(t) är en deterministisk trend och X(t) den stationära komponenten, kan man genom en eller era dierensbildingar av tidsserien bli av med trenden och plocka fram den stationära komponenten X(t). I allmänhet räcker det med en eller två upprepade dierensbildningar. Man skapar helt enkelt en ny tidsserie W (t) = (Y (t) = Y (t) Y (t 1) som förhoppningsvis har bättre stationäritetsegenskaper än ursprungsprocessen. Ni ska komplettera analysen av ert valda datamaterial i hemuppgift I med en avtrendiering av med hjälp av dierensbildningen d Y (t). Jämför den tidsserie och dess egenskaper ni får fram efter en eller era dierensbildningar med de resultat som ni ck vid trendanalysen. Prova också att kombinera dierensbildningen med en säsongs eller periodisk modell. Vilken teknik plockar fram den stationära komponenten bäst? I R kan man utföra en dierensbildning Y (t) enkelt genom att utnyttja funktionen diff(y,...). 3
4 4
5 Lunds universitet Ekonomihögskolan Statistiska Institutionen STAB 13 VT11 laboranter (namn och grupp): handledare: utförd/inlämnad: godkänd: Redovisning av Hemuppgift 2 Arma-modeller. Checklista Ja Nej 1. Är alla momenten i labben (inklusive förberedelseuppgifter) utförda? 2. Har rapporten blivit korrekturläst? Är språk- och skrivfel rättade? 3. Är gurer, tabeller och liknande försedda med gurtexter och tydlig numrering? 4. Har alla gurer storheter inskrivna på alla axlar? 5. Är de beräkningar som kan kontrollräknas kontrollräknade? 6. Har du gjort en rimlighetsbedömning av samtliga resultat? 7. Har eventuella orimliga resultat blivit vederbörligen kontrollerade och kommenterade? 8. Är den löpande texten väl strukturerad med tydliga avsnittsrubriker? 9. Är skriften försedd med: Sammanfattning? Innehållsförteckning? Referenslista? Sidnumrering? Datum? 10. Har förutsättningar, förenklingar och gjorda antaganden tydligt redovisats? 11. Är din rapport läsbar utan tillgång till laborationshandledningen? 12. Är detta försättsblad med checklista fullständigt ifyllt?
Hemuppgift 3 modellval och estimering
Lunds Universitet Ekonomihögskolan Statistiska Institutionen STAB 13 VT11 Hemuppgift 3 modellval och estimering 1 Inledning Denna hemuppgift är uppdelad i två delar. I den första ska ni med hjälp av olika
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 merStokastiska Processer och ARIMA. Patrik Zetterberg. 19 december 2012
Föreläsning 7 Stokastiska Processer och ARIMA Patrik Zetterberg 19 december 2012 1 / 22 Stokastiska processer Stokastiska processer är ett samlingsnamn för Sannolikhetsmodeller för olika tidsförlopp. Stokastisk=slumpmässig
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 merAnalys av egen tidsserie
Analys av egen tidsserie Tidsserieanalys Farid Bonawiede Samer Haddad Michael Litton Alexandre Messo 9 december 25 3 25 Antal solfläckar 2 15 1 5 5 1 15 2 25 3 Månad Inledning Vi har valt att betrakta
Läs merDatorlaboration 3. 1 Inledning. 2 Grunderna. 1.1 Förberedelse. Matematikcentrum VT 2007
Lunds universitet Kemometri Lunds Tekniska Högskola FMS 210, 5p / MAS 234, 5p Matematikcentrum VT 2007 Matematisk statistik version 7 februari Datorlaboration 3 1 Inledning I denna laboration behandlas
Läs merDatorlaboration 2. Läs igenom avsnitt 4.1 så att du får strukturen på kapitlet klar för dig.
Lunds universitet Kemometri Lunds Tekniska Högskola FMS 210, 5p / MAS 234, 5p Matematikcentrum VT 2007 Matematisk statistik version 24 januari Datorlaboration 2 1 Inledning I denna laboration behandlas
Läs merKontrollera att följande punkter är uppfyllda innan rapporten lämnas in: Första sidan är ett försättsblad (laddas ned från kurshemsidan)
Statistiska institutionen VT 2012 Inlämningsuppgift 1 Statistisk teori med tillämpningar Instruktioner Ett av problemen A, B eller C tilldelas gruppen vid första övningstillfället. Rapporten ska lämnas
Läs merFörsta sidan är ett försättsblad (laddas ned från kurshemsidan) Alla frågor som nns i uppgiftstexten är besvarade
HT 2011 Inlämningsuppgift 1 Statistisk teori med tillämpningar Instruktioner Ett av problemen A, B eller C tilldelas gruppen vid första övningstillfället. Rapporten ska lämnas in senast 29/9 kl 16.30.
Läs merHomework Three. Farid Bonawiede Samer Haddad Michael Litton Alexandre Messo. 28 november Time series analysis
Homework Three Time series analysis Farid Bonawiede Samer Haddad Michael Litton Alexandre Messo 28 november 25 1 Vi ska här analysera en datamängd som består av medeltemperaturen månadsvis i New York mellan
Läs merARIMA del 2. Patrik Zetterberg. 19 december 2012
Föreläsning 8 ARIMA del 2 Patrik Zetterberg 19 december 2012 1 / 28 Undersöker funktionerna ρ k och ρ kk Hittills har vi bara sett hur autokorrelationen och partiella autokorrelationen ser ut matematiskt
Läs merMatematikcentrum VT 2007 Matematisk statistik 14 januari Datorlaboration 1
Lunds universitet Kemometri Lunds Tekniska Högskola FMS 210, 5p / MAS 234, 5p Matematikcentrum VT 2007 Matematisk statistik 14 januari 2007 Datorlaboration 1 1 Inledning I denna laboration behandlas Kapitel
Läs merStockholms Universitet Statistiska institutionen Patrik Zetterberg
Stockholms Universitet Statistiska institutionen Patrik Zetterberg Skriftlig Tentamen i Finansiell Statistik Grundnivå 7.5 hp, VT2012 2012-05-31 Skrivtid: 9.00-14.00 Hjälpmedel: Godkänd miniräknare utan
Läs mer3 Maximum Likelihoodestimering
Lund Universitet med Lund Tekniska Högskola Finansiell Statistik Matematikcentrum, Matematisk Statistik VT 2006 Parameterestimation och linjär tidsserieanalys Denna laborationen ger en introduktion till
Läs mer1 Syfte. 2 Moment hos och faltning av fördelningar MATEMATISK STATISTIK, AK FÖR L, FMS 033, HT Angående grafisk presentation
UNDS TEKNISKA ÖGSKOA MATEMATIKCENTRUM MATEMATISK STATISTIK MATEMATISK STATISTIK, AK FÖR, FMS 33, T-3!"$&' (*) 1 Syfte I den första delen av detta projekt skall vi försöka hitta begripliga tolkningar av
Läs mer732G71 Statistik B. Föreläsning 8. Bertil Wegmann. IDA, Linköpings universitet. Bertil Wegmann (IDA, LiU) 732G71, Statistik B 1 / 23
732G71 Statistik B Föreläsning 8 Bertil Wegmann IDA, Linköpings universitet Bertil Wegmann (IDA, LiU) 732G71, Statistik B 1 / 23 Klassisk komponentuppdelning Klassisk komponentuppdelning bygger på en intuitiv
Läs merLaboration 5: Regressionsanalys. 1 Förberedelseuppgifter. 2 Enkel linjär regression DATORLABORATION 5 MATEMATISK STATISTIK FÖR I, FMS 012, HT-08
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK Laboration 5: Regressionsanalys DATORLABORATION 5 MATEMATISK STATISTIK FÖR I, FMS 012, HT-08 Syftet med den här laborationen är att du skall
Läs mer1 Syfte. 2 Moment hos och faltning av fördelningar MATEMATISK STATISTIK, AK FÖR L, FMS 033, HT-04. 2.2 Angående grafisk presentation
LUNDS TEKNISKA HÖSKOLA ATEATIKCENTRU ATEATISK STATISTIK ATEATISK STATISTIK, AK FÖR L, FS 33, HT-4!"$&' (*) 1 Syfte I den första delen av detta projekt skall vi försöka hitta begripliga tolkningar av begreppen
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 merSkriftlig Tentamen i Finansiell Statistik Grundnivå 7.5 hp, HT2012
Statistiska Institutionen Patrik Zetterberg Skriftlig Tentamen i Finansiell Statistik Grundnivå 7.5 hp, HT2012 2013-01-18 Skrivtid: 9.00-14.00 Hjälpmedel: Godkänd miniräknare utan lagrade formler eller
Läs merPreliminärt lösningsförslag - omtentamen i Finansiell statistik,
Preliminärt lösningsförslag - omtentamen i Finansiell statistik, 2012-08-22 Uppgift 1a) y x -1 0 1 P(Y = y) -1 1/16 3/16 1/16 5/16 0 3/16 0 3/16 6/16 1 1/16 3/16 1/16 5/16 P(X = y) 5/16 6/16 5/16 1 E[X]
Läs merStokastiska vektorer
TNG006 F2 9-05-206 Stokastiska vektorer 2 Kovarians och korrelation Definition 2 Antag att de sv X och Y har väntevärde och standardavvikelse µ X och σ X resp µ Y och σ Y Då kallas för kovariansen mellan
Läs merParameterskattning i linjära dynamiska modeller. Kap 12
Parameterskattning i linjära dynamiska modeller Kap 12 Grundläggande ansats Antag (samplade) mätdata (y och u)från ett system har insamlats. Givet en modell M(t, θ) och mätdata, hitta det θ som ger en
Läs merAutokorrelation och Durbin-Watson testet. Patrik Zetterberg. 17 december 2012
Föreläsning 6 Autokorrelation och Durbin-Watson testet Patrik Zetterberg 17 december 2012 1 / 14 Korrelation och autokorrelation På tidigare föreläsningar har vi analyserat korrelationer för stickprov
Läs merMSG830 Statistisk analys och experimentplanering
MSG830 Statistisk analys och experimentplanering Tentamen 16 April 2015, 8:30-12:30 Examinator: Staan Nilsson, telefon 073 5599 736, kommer till tentamenslokalen 9:30 och 11:30 Tillåtna hjälpmedel: Valfri
Läs merRegressions- och Tidsserieanalys - F8
Regressions- och Tidsserieanalys - F8 Klassisk komponentuppdelning, kap 7.1.-7.2. Linda Wänström Linköpings universitet November 26 Wänström (Linköpings universitet) F8 November 26 1 / 23 Klassisk komponentuppdelning
Läs merStokastiska Processer
Kapitel 3 Stokastiska Processer Karakteristisk funktion: Den karakteristiska funktionen φ ξ : R n C för en R n -värd s.v. definieras för t R n. φ ξ (t) = E{e iπ(t ξ +...+t nξ n) } = E{e iπtt ξ } Den karakteristiska
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 merTentamentsskrivning: Matematisk statistik TMA Tentamentsskrivning i Matematisk statistik TMA321, 4.5 hp.
Tentamentsskrivning: Matematisk statistik TMA32 Tentamentsskrivning i Matematisk statistik TMA32, 4.5 hp. Tid: Onsdag den 2 jan, 20 kl 4:00-8:00 Examinator och jour: Erik Broman, tel. 772-354, mob. 073
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 mer2.1 Mikromodul: stokastiska processer
2. Mikromodul: stokastiska processer 9 2. Mikromodul: stokastiska processer 2.. Stokastiska variabler En stokastiskt variabel X beskrivs av dess täthetsfunktion p X (x), vars viktigaste egenskaper sammanfattas
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 merReglerteori. Föreläsning 3. Torkel Glad
Reglerteori. Föreläsning 3 Torkel Glad Föreläsning 1 Torkel Glad Januari 2018 2 Sammanfattning av föreläsning 2 Det mesta av teorin för envariabla linjära system generaliseras lätt till ervariabla (era
Läs merTentamen i Matematik, del B, för Tekniskt basår
Tentamen i Matematik, del B, för Tekniskt basår Kurskod: MVE45 B Telefonvakt: tel. Datum: 4 augusti 016 Tid för tentamen: 14.00-18.00 Hjälpmedel: Inga Betygsgränser: Betyg : 0-1, Betyg 4: - 41, Betyg 5:
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 Systemidentifiering, 4p, F, FRI, STS
TENTAMEN Systemidentifiering, 4p, F, FRI, STS Tid: Fredagen den 17 mars kl 09.00 14.00 Plats: Polacksbacken, skrivsal Ansvarig lärare: Alexander Medvedev, telefon 471 3064, mobil 070 57 48 173. Alexander
Läs merRäkneövning 4. Om uppgifterna. 1 Uppgift 1. Statistiska institutionen Uppsala universitet. 14 december 2016
Räkneövning 4 Statistiska institutionen Uppsala universitet 14 december 2016 Om uppgifterna Uppgift 2 kan med fördel göras med Minitab. I de fall en gur för tidsserien efterfrågas kan du antingen göra
Läs merAllmänna Tredjegradsekvationen - version 1.4.0
Allmänna Tredjegradsekvationen - version 1.4.0 Lars Johansson 0 april 017 Vi vet hur man med rotutdragning löser en andragradsekvation med reella koecienter: x + px + 0 1) Men hur gör man för att göra
Läs mer= y(0) för vilka lim y(t) är ändligt.
Lösningsförslag till tentamensskrivning i SF633 Differentialekvationer I och SF637 Differentialekvationer och transformer III Lördagen den 4 februari, kl 4-9 Hjälpmedel: BETA, Mathematics Handbook Redovisa
Läs merFinansiell statistik
Finansiell statistik Föreläsning 5 Tidsserier 4 maj 2011 14:26 Vad är tidsserier? En tidsserie är en mängd av observationer y t, där var och en har registrerats vid en specifik tidpunkt t. Vanligen görs
Läs merHjälpmedel: Det för kursen ociella formelbladet samt TeFyMa. 0 x < 0
LÖSNINGAR TILL Deltentamen i kvantformalism, atom och kärnfysik med tillämpningar för F3 9-1-15 Tid: kl 8.-1. (MA9A. Hjälpmedel: Det för kursen ociella formelbladet samt TeFyMa. Poäng: Vid varje uppgift
Läs merAllmänna krav på utformningen och användandet av inlämningsuppgifter i kurser som ges av Brandteknik
Administrativ rutin 1 2004-01-29 rev Dnr 99046II/hf Brandteknik Allmänna krav på utformningen och användandet av inlämningsuppgifter i kurser som ges av Brandteknik Syfte med inlämningsuppgifter Inom utbildningen
Läs merGör uppgift 6.10 i arbetsmaterialet (ingår på övningen 16 maj). För 10 torskar har vi värden på variablerna Längd (cm) och Ålder (år).
Matematikcentrum Matematisk statistik MASB11: BIOSTATISTISK GRUNDKURS DATORLABORATION 4, 21 MAJ 2018 REGRESSION OCH FORTSÄTTNING PÅ MINIPROJEKT II Syfte Syftet med dagens laboration är att du ska bekanta
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 merLösningsförslag till tentamen i Reglerteknik fk M (TSRT06)
Lösningsförslag till tentamen i Reglerteknik fk M (TSRT6) 216-1-15 1. (a) Känslighetsfunktionen S(iω) beskriver hur systemstörningar och modellfel påverkar utsignalen från det återkopplade systemet. Oftast
Läs merFöreläsning 11. Slumpvandring och Brownsk Rörelse. Patrik Zetterberg. 11 januari 2013
Föreläsning 11 Slumpvandring och Brownsk Rörelse Patrik Zetterberg 11 januari 2013 1 / 1 Stokastiska Processer Vi har tidigare sett exempel på olika stokastiska processer: ARIMA - Kontinuerlig process
Läs mer1. Lära sig plotta en beroende variabel mot en oberoende variabel. 2. Lära sig skatta en enkel linjär regressionsmodell
Datorövning 1 Regressions- och tidsserieanalys Syfte 1. Lära sig plotta en beroende variabel mot en oberoende variabel 2. Lära sig skatta en enkel linjär regressionsmodell 3. Lära sig beräkna en skattning
Läs merIntroduktion till statistik för statsvetare
och enkäter "Det finns inget så praktiskt som en bra teori" September 2011 och enkäter Inledning Inledning Om vi vill mäta en egenskap hos en population individer (individer kan vara personer, företag
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 merEXEMPEL PÅ FRÅGESTÄLLNINGAR INOM STATISTIK- TEORIN (INFERENSTEORIN):
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF50: Matematisk statistik för L och V OH-bilder på föreläsning 7, 2017-11-20 EXEMPEL PÅ FRÅGESTÄLLNINGAR INOM STATISTIK- TEORIN (INFERENSTEORIN):
Läs merStatistisk modellering av tidsserier
Statistisk modellering av tidsserier Inledning Tidsserie: följd av data med deterministiskt eller stokastiskt beroende mellan olika komponenter och mellan olika mättillfällen Tidsserieanalys: att beskriva
Läs merFöreläsning 8: Konfidensintervall
Föreläsning 8: Konfidensintervall Matematisk statistik Chalmers University of Technology Maj 4, 2015 Projektuppgift Projektet går ut på att studera frisättningen av dopamin hos nervceller och de två huvudsakliga
Läs merPrediktera. Statistik för modellval och prediktion. Trend? - Syrehalt beroende på kovariater. Sambands- och trendanalys
Statistik för modellval och prediktion att beskriva, förklara och förutsäga Georg Lindgren Prediktera Matematisk statistik, Lunds universitet stik för modellval och prediktion p.1/28 Statistik för modellval
Läs merFaderns blodgrupp Sannolikheten att barnet skall få blodgrupp A0 A0 1/2 AA 1 AB 1/2 Övriga 0
Avd. Matematisk statistik TENTAMEN I 5B1504 MATEMATISK STATISTIK GRUNDKURS FÖR E3 LÖRDAGEN DEN 30 AUGUSTI 2003 KL 08.00 13.00. Examinator: Gunnar Englund, tel. 790 7416. Tillåtna hjälpmedel : Formel- och
Läs merInstruktioner till arbetet med miniprojekt II
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMS035: Matematisk statistik för M Miniprojekt II, 17 maj 2013 Instruktioner till arbetet med miniprojekt II Innan ni börjar arbeta vid Datorlaboration
Läs merGMM och Estimationsfunktioner
Lunds Universitet med Lund Tekniska Högskola Finansiell Statistik Matematikcentrum, Matematisk Statistik VT 2006 GMM och Estimationsfunktioner I laborationen möter du två besläktade metoder för att estimera
Läs merträna på att använda olika grafiska metoder för att undersöka vilka fördelningar ett datamaterial kan komma från
Matematikcentrum Matematisk statistik MASB11: BIOSTATISTISK GRUNDKURS DATORLABORATION 1, 1 APRIL 215 FÖRDELNINGAR, SIMULERING OCH FÖRDELNINGSANPASSNING Syfte Syftet med dagens laboration är att du ska
Läs merVad Betyder måtten MAPE, MAD och MSD?
Vad Betyder måtten MAPE, MAD och MSD? Alla tre är mått på hur bra anpassningen är och kan användas för att jämföra olika modeller. Den modell som har lägst MAPE, MAD och/eller MSD har bäst anpassning.
Läs merUtökade användningsområden för trafikarbetets förändring Expanded uses for the change in traffic density Magnus Kjellman
Utökade användningsområden för trafikarbetets förändring Expanded uses for the change in traffic density Magnus Kjellman 15-högskolepoängsuppsats inom Statistik III, ht 2012 Handledare: Mikael Möller Förord
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 merMålet för D3 är att studenterna ska kunna följande: Dra slumptal från olika sannolikhetsfördelningar med hjälp av SAS
Datorövning 3 Statistisk teori med tillämpningar Simulering i SAS Syfte Att simulera data är en metod som ofta används inom forskning inom ett stort antal ämnen, exempelvis nationalekonomi, fysik, miljövetenskap
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 merMSG830 Statistisk analys och experimentplanering - Lösningar
MSG830 Statistisk analys och experimentplanering - Lösningar Tentamen 16 augusti 2016, 8:30-12:30 Examinator: Staan Nilsson, telefon 073 5599 736, kommer till tentamenslokalen 9:30 och 11:30 Tillåtna hjälpmedel:
Läs merDeterminanter, egenvectorer, egenvärden.
Determinanter, egenvectorer, egenvärden. Determinanter av kvadratiska matriser de nieras recursivt: först för matriser, sedan för matriser som är mest användbara. a b det = ad bc c d det a a a a a a a
Läs merLäsanvisningar och övningsuppgifter i MAA150, period vt Erik Darpö
Läsanvisningar och övningsuppgifter i MAA150, period vt1 2015 Erik Darpö ii 0. Förberedelser Nedanstående uppgifter är avsedda att användas som ett självdiagnostiskt test. Om du har problem med att lösa
Läs merSF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 6 Väntevärden Korrelation och kovarians Stora talens lag. Jörgen Säve-Söderbergh
SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 6 Väntevärden Korrelation och kovarians Stora talens lag Jörgen Säve-Söderbergh Väntevärde för en funktion av en stokastisk variabel Om
Läs merBILAGA II. Extremvärdesstatistik och osäkerhet
BILAGA II Extremvärdesstatistik och osäkerhet I denna något spretiga bilaga har samlats ett antal sektioner som beskriver och fördjupar olika metoder och resultat kopplade till den statistiska bearbetningen
Läs merLaboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 4 MATEMATISK STATISTIK, AK FÖR I, FMS 120, HT-00 Laboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
Läs merInstitutionen för teknikvetenskap och matematik, S0001M LABORATION 2
Institutionen för teknikvetenskap och matematik, S0001M LABORATION 2 Laborationen avser att illustrera användandet av normalfördelningsdiagram, konfidensintervall vid jämförelser samt teckentest. En viktig
Läs merTENTAMEN Modellering av dynamiska system 5hp
TENTAMEN Modellering av dynamiska system 5hp - 0 Tid: måndag 8 Maj 0, kl 4-9 Plats: Polacksbacken Ansvarig lärare: Bengt Carlsson, tel 070-674590. Bengt kommer till tentasalen ca kl 6 och besvarar ev frågor.
Läs merLaboration 2: Styrkefunktion samt Regression
Lunds Tekniska Högskola Matematikcentrum Matematisk statistik Laboration 2 Styrkefunktion & Regression FMSF70&MASB02, HT19 Laboration 2: Styrkefunktion samt Regression Syfte Styrkefunktion Syftet med dagens
Läs merModellskattningen har gjorts med hjälp av minsta kvadratmetoden (OLS).
MODELLSKATTNINGAR Modeller med bäst anpassning ger inte alltid de bästa prognoserna. Grundantaganden, till exempel vilka modeller som testas, påverkar i viss grad prognosutfallet. Modellerna har, i de
Läs merNågot om val mellan olika metoder
Något om val mellan olika metoder Givet är en observerad tidsserie: y 1 y 2 y n Säsonger? Ja Nej Trend? Tidsserieregression Nej ARMA-modeller Enkel exponentiell utjämning Tidsserieregression ARIMA-modeller
Läs mervux GeoGebraexempel 2b/2c Attila Szabo Niclas Larson Gunilla Viklund Mikael Marklund Daniel Dufåker
matematik Attila Szabo Niclas Larson Gunilla Viklund Mikael Marklund Daniel Dufåker vux 2b/2c GeoGebraexempel Till läsaren i elevböckerna i serien matematik origo finns uppgifter där vi rekommenderar användning
Läs merF18 MULTIPEL LINJÄR REGRESSION, FORTS. (NCT
Stat. teori gk, ht 006, JW F18 MULTIPEL LINJÄR REGRESSION, FORTS. (NCT 1.1, 13.1-13.6, 13.8-13.9) Modell för multipel linjär regression Modellantaganden: 1) x-värdena är fixa. ) Varje y i (i = 1,, n) är
Läs merSTABILITET FÖR LINJÄRA HOMOGENA SYSTEM MED KONSTANTA KOEFFICIENTER
Armin Halilovic: EXTRA ÖVNINGAR, SF676 STABILITET FÖR LINJÄRA HOMOGENA SYSTEM MED KONSTANTA KOEFFICIENTER Innehåll Stabilitet för en kritisk punkt (grundbegrepp) Stabilitet för ett linjärt homogent system
Läs merMålet för D2 är att studenterna ska kunna följande: Dra slumptal från olika sannolikhetsfördelningar med hjälp av SAS
Datorövning 2 Statistisk teori med tillämpningar Simulering i SAS Syfte Att simulera data är en metod som ofta används inom forskning inom ett stort antal ämnen, exempelvis nationalekonomi, fysik, miljövetenskap
Läs mer732G71 Statistik B. Föreläsning 4. Bertil Wegmann. November 11, IDA, Linköpings universitet
732G71 Statistik B Föreläsning 4 Bertil Wegmann IDA, Linköpings universitet November 11, 2016 Bertil Wegmann (IDA, LiU) 732G71, Statistik B November 11, 2016 1 / 34 Kap. 5.1, korrelationsmatris En korrelationsmatris
Läs merTentamen i Linjära statistiska modeller 13 januari 2013, kl. 9-14
STOCKHOLMS UNIVERSITET MT 5001 MATEMATISKA INSTITUTIONEN TENTAMEN Avd. Matematisk statistik 13 januari 2014 Tentamen i Linjära statistiska modeller 13 januari 2013, kl. 9-14 Examinator: Martin Sköld, tel.
Läs mermotiveringar. Lämna tydliga svar. 1 (arcsin x) 2 dx: (0.6)
TENTAMENSSKRIVNING LUNDS TEKNISKA HÖGSKOLA MATEMATIK ENDIMENSIONELL ANALYS B (FMAA5)/A3 (FMAA) 74 kl. 83 Inga hjälmedel är tillåtna. För att du skall kunna erhålla full oäng skall dina lösningar vara läsvärda
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 merFö relä sning 2, Kö system 2015
Fö relä sning 2, Kö system 2015 Vi ska börja titta på enskilda kösystem som ser ut på följande sätt: Det kan finnas en eller fler betjänare och bufferten kan vara ändlig eller oändlig. Om bufferten är
Läs merSTATISTISK ANALYS AV KOMPLEXA DATA
STATISTISK ANALYS AV KOMPLEXA DATA LONGITUDINELLA DATA Linda Wänström Linköpings universitet 12 December Linda Wänström (Linköpings universitet) LONGITUDINELLA DATA 12 December 1 / 12 Explorativ Faktoranalys
Läs merSAMMANFATTNING TATA41 ENVARIABELANALYS 1
SAMMANFATTNING TATA4 ENVARIABELANALYS LÄST SOM EN DEL AV CIVILINGENJÖRSPROGRAMMET I INDUSTRIELL EKONOMI VID LITH, HT 04 Senast reviderad: 05-06-0 Författare: Viktor Cheng INNEHÅLLSFÖRTECKNING Diverse knep...3
Läs merStatistiska metoder för säkerhetsanalys
F7: Bayesiansk inferens Klassisk vs Bayesiansk Två problem Klassisk statistisk inferens Frekventistisk tolkning av sannolikhet Parametrar fixa (ofta okända) storheter Skattningar och konfidensintervall
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 merTentamen Tillämpad statistik A5 (15hp)
Uppsala universitet Statistiska institutionen A5 2014-08-26 Tentamen Tillämpad statistik A5 (15hp) 2014-08-26 UPPLYSNINGAR A. Tillåtna hjälpmedel: Miniräknare Formelsamlingar: A4/A8 Tabell- och formelsamling
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 merSäsongrensning i tidsserier.
Senast ändrad 200-03-23. Säsongrensning i tidsserier. Kompletterande text till kapitel.5 i Tamhane och Dunlop. Inledning. Syftet med säsongrensning är att dela upp en tidsserie i en trend u t, en säsongkomponent
Läs merModellering av en Tankprocess
UPPSALA UNIVERSITET SYSTEMTEKNIK EKL och PSA 2002, AR 2004, BC2009 Modellering av dynamiska system Modellering av en Tankprocess Sammanfattning En tankprocess modelleras utifrån kända fysikaliska relationer.
Läs merTENTAMEN I REGRESSIONSANALYS OCH TIDSSERIEANALYS
STOCKHOLMS UNIVERSITET Statistiska institutionen Marcus Berg VT2014 TENTAMEN I REGRESSIONSANALYS OCH TIDSSERIEANALYS Fredag 23 maj 2014 kl. 12-17 Skrivtid: 5 timmar Godkända hjälpmedel: Kalkylator utan
Läs merRegler för grupparbeten, inlämnings- och laborationsuppgifter
1 Fastställda av UNRH 2000-12-05 Civilingenjörsprogrammet i riskhanteringsprogrammet Regler för grupparbeten, inlämnings- och laborationsuppgifter Arbete i samband med inlämningsuppgifter och laborationer
Läs merMODELLERING AV DYNAMISKA SYSTEM OCH INLUPP 2
UPPSALA UNIVERSITET AVDELNINGEN FÖR SYSTEMTEKNIK EKL och PSA, 2002, rev BC 2009, 2013 MODELLERING AV DYNAMISKA SYSTEM DATORSTÖDD RÄKNEÖVNING OCH INLUPP 2 1. Överföringsfunktioner 2. Tillståndsmetodik Förberedelseuppgifter:
Läs merLaboration 4 R-versionen
Matematikcentrum 1(5) Matematisk Statistik Lunds Universitet MASB11 VT13, lp3 Laboration 4 R-versionen Regressionsanalys 2013-03-07 Syftet med laborationen är att vi skall bekanta oss med lite av de funktioner
Läs merLösningsförslag TSRT09 Reglerteori
Lösningsförslag TSRT9 Reglerteori 6-8-3. (a Korrekt hopparning: (-C: Uppgiften som beskrivs är en typisk användning av sensorfusion, där Kalmanfiltret är användbart. (-D: Vanlig användning av Lyapunovfunktioner.
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 merDatorövning 1 Fördelningar
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF20: MATEMATISK STATISTIK, ALLMÄN KURS, 7.5HP FÖR E, HT-15 Datorövning 1 Fördelningar I denna datorövning ska du utforska begreppen sannolikhet
Läs merSF1905 Sannolikhetsteori och statistik: Lab 2 ht 2011
Avd. Matematisk statistik Tobias Rydén 2011-09-30 SF1905 Sannolikhetsteori och statistik: Lab 2 ht 2011 Förberedelser. Innan du går till laborationen, läs igenom den här handledningen. Repetera också i
Läs merTemperaturreglering. En jämförelse mellan en P- och en PI-regulator. θ (t) Innehåll Målsättning sid 2
2008-02-12 UmU TFE/Bo Tannfors Temperaturreglering En jämförelse mellan en P- och en PI-regulator θ i w θ θ u θ Innehåll Målsättning sid 2 Teori 2 Förberedelseuppgifter 2 Förutsättningar och uppdrag 3
Läs merBefolkningsprognos för kommunerna i Stockholms län under perioden
Befolkningsprognos för kommunerna i Stockholms län under perioden 2003-2012 Martin Elfsberg U.U.D.M. Project Report 2004:10 Examensarbete i matematisk statistik, 20 poäng Handledare: Silvelyn Zwanzig,
Läs mer