Statistiska metoder för säkerhetsanalys

Storlek: px
Starta visningen från sidan:

Download "Statistiska metoder för säkerhetsanalys"

Transkript

1 F10: Intensiteter och Poissonmodeller

2 Frågeställningar Konstant V.v.=Var Cyklister Poissonmodeller för frekvensdata Vi gör oberoende observationer av de (absoluta) frekvenserna n 1, n 2,..., n k från den s.v. N. Exempel: N = antal olyckor under ett år. N = antal orkaner under ett år. N = antal fel på ett system under en månad. Ibland har vi ett tidsperspektiv, dvs n 1,..., n k är uppmätta i tidsperioderna efter varandra. Exempel: n 1,..., n 10 = antal olyckor under år 2000, 2001,..., 2009.

3 Frågeställningar Konstant V.v.=Var Cyklister Frågeställningar: Antag att E(N) är konstant m. Vad är en lämplig fördelning för N? Kanske Po(m)? Hur kan vi testa om E(N) är konstant? Ska modellen vara N i Po(m) eller N i Po(m i ) för i = 1,..., k? Modellval med hjälp av Likelihoodfunktionen och Deviance. Hur kan vi modellera hur m i påverkas av andra variabler? Poissonregression.

4 Frågeställningar Konstant V.v.=Var Cyklister Test av Poissonfördelning konstant väntevärde Ex: MC-förare Antalet dödade MC-förare (och passagerare) i Sverige under perioden var: Antalet omkomna mc förare (Källa: Trafikverket) år

5 Frågeställningar Konstant V.v.=Var Cyklister Ex: MC-förare (forts) Modell: N i = antal döda MC-förare år i, i = 1,..., 23 (där i = 1 betyder 1990) med E(N i ) = m i. Är det rimligt att modellera data med en Poissonfördelning med konstant intensitet, dvs N i Po(m) där m 1 =... = m 23 = m? Tänkbara test: q 2 -test. Kräver tyvärr ett större datamaterial än vi har här. Utnyttja att Po(m) N(m, m) om m > 15 och kolla om data ser normalfördelade ut. Vi har m = i=1 n i = 41.9 > 15 så det borde fungera. Utnyttja att i en Poissonfördelning gäller att E(N) = V(N) = m så att vi borde få x/s 2 1.

6 Frågeställningar Konstant V.v.=Var Cyklister Ex: MC-förare (forts): Ungefär normalfördelat? Probability Normal Probability Plot Data Ja, det ser hyfsat normalfördelat ut så det är inte uppenbart fel med en Poissonfördelning.

7 Frågeställningar Konstant V.v.=Var Cyklister Ex: MC-förare (forts): Är väntevärdet och variansen lika stora? Utnyttja att i en Poissonfördelning gäller att E(N) = V(N) = m så att vi borde få (V(N)) (E(N)) = s2 x 1 k = k 1 i=1 (n i n) 2 1 k k i=1 n 1. i Gör alltså ett konfidensintervall för kvoten och undersök om det innehåller 1. Vi har x = 41.9 och s 2 = 66.8 så det verkar inte helt lovande.

8 Frågeställningar Konstant V.v.=Var Cyklister Konfidensintervall för kvoten: Man kan visa att om N är approximativt normalfördelad, där m är stort, så är (k 1)s2 /s 2 (xi x) 2 m = x/m x s 2 q2 (k 1) och ett konfidensintervall för m/s 2 får genom 21 a/2 (k 1)s2 1 a = P (q (k 1) x ( x = P s 2 q2 1 a/2 (k 1) k 1 ) m s 2 q2 a/2 (k 1) ) (k 1) m s 2 x s 2 q2 a/2 k 1

9 Frågeställningar Konstant V.v.=Var Cyklister Ex: MC-förare (forts): Eftersom vi har k = 23, x = 41.9 och s 2 = 66.8 får vi ett 95 % konfidensintervall som ( ) 41.9 I m/s 2 = 66.8 q (23 1), q (23 1) 23 1 ( 41.9 = , ) 22 = (0.31, 1.05) Eftersom intervallet täcker över 1 kan vi inte förkasta att E(N) = V(N). Ja, data skulle kunna komma från en Poissonfördelning med konstant intensitet.

10 Frågeställningar Konstant V.v.=Var Cyklister Ex: Cyklister Antalet dödade cyklister i Sverige under perioden var Antalet omkomna cyklister (Källa: Trafikverket) år Är det rimligt att modellera data med en Poissonfördelning med konstant intensitet, dvs N i Po(m) där m 1 =... = m 23 = m?

11 Frågeställningar Konstant V.v.=Var Cyklister Ex: Cyklister (forts): Ungefär normalfördelat? Probability Normal Probability Plot Data Ja, x = 43.3 > 15 och det ser hyfsat normalfördelat ut så det är inte uppenbart fel med en Poissonfördelning.

12 Frågeställningar Konstant V.v.=Var Cyklister Ex: Cyklister (forts): Är väntevärdet och variansen lika stora? Vi har x = 43.3 och s 2 = så det verkar tveksamt. Vi får ett 95 % konfidensintervall som ( ) 43.3 I m/s 2 = q (23 1) 43.3, q (23 1) 23 1 ( 43.3 = , ) 22 = (0.08, 0.25) Eftersom intervallet inte täcker över 1 kan vi förkasta att E(N) = V(N). Nej, data skulle visserligen kunna vara Poissonfördelade men intensiteten är inte konstant. Det ser ju ut som om intensiteten avtar med tiden. Hur kan vi modellera och testa det?

13 Exempel LR-test Sverige vs USA MC-förare Val mellan två modeller Vi väljer mellan två modeller, där den ena är en förenkling av den andra. Exempel: MC-förare Är antalet dödade MC-förare varje år poissonfördelat med konstant väntevärde eller varierar väntevärdena från år till år? Exempel: Cyklister Är antalet dödade cyklister varje år poissonfördelat med konstant väntevärde eller avtar väntevärdena med tiden? Exempel: Sverige vs USA År 1998 dog ca n U = personer i USA i bilolyckor. Motsvarande siffra i Sverige var ca n S = 500. Total körsträcka detta år uppskattades i USA till t U = (km) och i Sverige till t S = (km). Är det lika farligt att färdas en km i Sverige som i USA?

14 Exempel LR-test Sverige vs USA MC-förare Modellval Likelihood ratio-test (LR-test) Vi väljer mellan två modeller: Complex med parameteruppsättning j complex Simple med parameteruppsättning j simple där simple är ett specialfall av complex. Likelihoodfunktionen Likelihoodfunktionen för respektive modell är L(j complex ) = P(att få observerade data j complext ) L(j simple ) = P(att få observerade data j simple ). Det gäller att L(j complex ) > L(j simple ) men är skillnaden tillräckligt stor (statistisk signifikant) för att välja den komplexa modellen? Vi vill inte ha fler parametrar i modellen än nödvändigt.

15 Exempel LR-test Sverige vs USA MC-förare Likelihood-kvot Betrakta kvoten mellan likelihoodfunktionerna med de skattade parametrarna (maximum!): LR = L(j simple ) L(j complex ). Deviance Man kan visa att om den simpla modellen är korrekt så gäller att DEV = 2 ln(lr) = 2(ln L(j complex ) ln L(j simple )) q2 (p q), p = antal parametrar i den komplexa modellen q = antal parametrar i den simpla modellen Förkasta alltså den simpla modellen till förmån för den komplexa om DEV > q 2 a(p q).

16 Exempel LR-test Sverige vs USA MC-förare Exempel: Sverige vs USA Två tänkbara modeller: Modell 1 ( simple ) Samma intensitet: N u = antal döda i USA Po(l t u ) N s = antal döda i Sverige Po(l t s ). j simple = l, q = 1. ML-skatta l. Modell 2 ( complex ) Olika intensiteter N u = antal döda i USA Po(l u t u ) N s = antal döda i Sverige Po(l s t s ). j complex = (l u, l s ), p = 2. ML-skatta l u och l s.

17 Exempel LR-test Sverige vs USA MC-förare Ex: Sverige vs USA (forts) Modell 1: ML-skattning: L(l) = P(N u = n u l) P(N s = n s l) = e ltu (lt u) nu n u! l(l) = ln L(l) = ln tnu u l(l) = n u + n s l l = n u + n s t u + t s = ts ns n u! n s! lnu+ns e l(tu+ts) e (lt s) ns lts = tnu u n s! ts ns n u! n s! + (n u + n s ) ln l l(t u + t s ) (t u + t s ) = = ln L(l ) = ln tnu u ts ns n u! n s! + (n u + n s ) ln l l (t u + t s ) = ln tnu u ts ns n u! n s! + (n u + n s ) ln l (n u + n s )

18 Exempel LR-test Sverige vs USA MC-förare Ex: Sverige vs USA (forts) Modell 2: ML-skattningar: L(l u, l s ) = P(N u = n u l u ) P(N s = n s l s ) = e (l ut lutu u ) nu n u! = tnu u ts ns n u! n s! lnu u l ns s e lsts (l st s ) ns n s! e lutu lsts l(l u, l s ) = ln tnu u ts ns n u! n s! + n u ln l u + n s ln l s l u t u l s t s l(l u, l s ) l u l(l u, l s ) l s = n u l u t u = 0 l u = n u t u = = n s l s t s = 0 l s = n s t s = = =

19 Exempel LR-test Sverige vs USA MC-förare Ex: Sverige vs USA (forts) Modell 2: Likelihood (forts) ln L(l u, l s ) = ln tnu u ts ns n u! n s! + n u ln l u + n s ln l s l ut u l s t s = ln tnu u ts ns n u! n s! + n u ln l u + n s ln l s (n u + n s ) Deviance: Modell 1 vs 2 Vi får nu jämförelsen ) DEV = 2 ln LR = 2 (ln L(l complex ) ln L(l simple ) = 2 (ln L(l u, l s ) ln L(l )) = 2 (n u ln l u + n s ln l s (n u + n s ) ln l ) =...

20 Exempel LR-test Sverige vs USA MC-förare Ex: Sverige vs USA (forts) ( DEV = ln ln ( ) ln ) = 27.1 DEV > q 2 a(p q) = q (2 1) = 3.84 Vi kan förkasta den simpla modellen på signifikansnivå 5 %. Det är alltså signifikant farligare att köra bil i USA jämfört med i Sverige. Anmärkning: DEV = 2 ln LR L complex = e 27.1/2 L simple dvs e 27.1/2 = gånger troligare att få exakt de data vi fick med den komplexa modellen jämfört med den simpla.

21 Exempel LR-test Sverige vs USA MC-förare Ex: MC-förare (igen) Vi vill testa om väntevärdet i poissonfördelningen kan vara konstant eller om varje år har ett eget väntevärde. Simple: N i Po(m). ML-skattning m = n = q = 1 Complex: N i Po(m i ). ML-skattningar m i = n i. p = 23. Resultat: DEV =... = 2 ( 23 ) n i ln n i 23 n ln n = 34.2 i=1 DEV > q 2 a(p q) = q (23 1) = 33.9 Den komplexa modellen är alltså (med nöd och näppe) signifikant bättre än den simpla. Väntevärdet är inte konstant! Man kan nog ana en liten ökning över tid. Hur kan vi avgöra det?

22 Modell Tolkning MC Cyklister Poissonregression Modellera hur m i beror på andra faktorer. Vid k tillfällen mäter vi både N och p andra variabler. N: responsvariabel (beroende variabel), N i Po(m i ) x 1,..., x p : förklarande variabler (oberoende variabler). Exempel: N = antal trafikdödade, x 1 = tiden, x 2 = antal bilar,... Modell Eftersom m i är väntevärdet i en Poissonfördelning måste den vara positiv. Det kan vi garantera med en log-linjär modell: ln m i = b 0 + b 1 x 1i b p x pi, i = 1,..., k Med p = 0 får vi ln m i = b 0 dvs m i = e b 0 = m och konstant väntevärde.

23 Modell Tolkning MC Cyklister Exempel: En förklarande variabel: Med p = 1 och en variabel x får vi modellen: ln m i = b 0 + b 1 x i m i = e b 0+b 1 x i = e b0 ( ) e b xi 1 Här kallas e b 1 för rate ratio för variabeln x. Om x ökar med 1 enhet ska väntevärdet m multipliceras med e b 1. Om b 1 = 0 är e b 1 = 1, dvs ingen förändring. Väntevärdet beror inte på x!. Om b 1 > 0 är e b 1 > 1, dvs väntevärdet ökar när x ökar. Om b 1 < 0 är e b 1 < 1, dvs väntevärdet minskar när x ökar.

24 Modell Tolkning MC Cyklister Ex: MC-förare (igen) Vi vill undersöka om antalet döda ändras (ökar eller minskar) med tiden. Modell: N t = antal döda år t, X t = tiden räknat från år 1990 = t, ln m t = b 0 + b 1 X t = b 0 + b 1 t ML-skattningen av b 0 och b 1 måste lösas numeriskt: b 0 = 3.60 eb 0 = 36.7, b 1 = eb 1 = Antalet döda MC-förare ökar med, i medeltal, 1.2 % per år.

25 Modell Tolkning MC Cyklister Ex: MC-förare (forts) 80 Antalet omkomna mc förare (Källa: Trafikverket) Observationer µ t = µ ln µ t = β 0 + β 1 t år Är ökningen signifikant?

26 Modell Tolkning MC Cyklister Ex: MC-förare (forts) Modeller: Simple: m t = m, dvs konstant (1 parameter). Komplex: ln m t = b 0 + b 1 t, dvs ändras med tiden (2 parametrar). 22 DEV =... = 2 n t (b0 + b 1 t ln m ) = 5.72 t=0 DEV > q (2 1) = 3.84 Ja, ökningen över tid är signifikant.

27 Modell Tolkning MC Cyklister Ex: Cyklister (igen) Vi vill undersöka om antalet döda ändras (ökar eller minskar) med tiden. Modell: N t = antal döda år t, X t = tiden räknat från år 1990 = t, ln m t = b 0 + b 1 X t = b 0 + b 1 t, b 0 = 4.31 eb 0 = 74.3, b 1 = eb 1 = 0.95 Antalet döda cyklister minskar med, i medeltal, 5 % per år. Är minskningen signifikant? DEV =... = > q (2 1) = 3.84 Ja, minskningen över tid är signifikant.

28 Modell Tolkning MC Cyklister Ex: Cyklister (forts) Antalet omkomna cyklister (Källa: Trafikverket) Observationer µ t = µ ln µ t = β 0 + β 1 t år

Datorövning 4 Poissonregression

Datorövning 4 Poissonregression Lunds tekniska högskola Matematikcentrum Matematisk statistik STATISTISKA METODER FÖR SÄKERHETSANALYS FMS065, HT-16 Datorövning 4 Poissonregression När man hanterar två eller fler variabler är man ofta

Läs mer

Sannolikheten för att barnet skall få blodgrupp A0 A0 1/2 AA 1 AB 1/2 Övriga 0

Sannolikheten för att barnet skall få blodgrupp A0 A0 1/2 AA 1 AB 1/2 Övriga 0 Avd. Matematisk statistik TENTAMEN I SF191, SANNOLIKHETSTEORI OCH STATISTIK, ONSDAGEN DEN 1:A JUNI 216 KL 8. 13.. Kursledare: Thomas Önskog, 8-79 84 55 Tillåtna hjälpmedel: Formel- och tabellsamling i

Läs mer

Statistisk analys av komplexa data

Statistisk analys av komplexa data Statistisk analys av komplexa data Trunkerade data och Tobitregression Bertil Wegmann Avdelning statistik, IDA, Linköpings universitet November 10, 2015 Bertil Wegmann (statistik, LiU) Trunkerade data

Läs mer

Några extra övningsuppgifter i Statistisk teori

Några extra övningsuppgifter i Statistisk teori Statistiska institutionen Några extra övningsuppgifter i Statistisk teori 23 JANUARI 2009 2 Sannolikhetsteorins grunder 1. Tre vanliga symmetriska tärningar kastas. Om inte alla tre tärningarna visar sexa,

Läs mer

MVE051/MSG Föreläsning 14

MVE051/MSG Föreläsning 14 MVE051/MSG810 2016 Föreläsning 14 Petter Mostad Chalmers December 14, 2016 Beroende och oberoende variabler Hittills i kursen har vi tittat på modeller där alla observationer representeras av stokastiska

Läs mer

PROGRAMFÖRKLARING III

PROGRAMFÖRKLARING III Statistik för modellval och prediktion att beskriva, förklara och förutsäga Georg Lindgren PROGRAMFÖRKLARING III Matematisk statistik, Lunds universitet stik för modellval och prediktion p./22 Statistik

Läs mer

Statistiska metoder för säkerhetsanalys

Statistiska metoder för säkerhetsanalys 1 / 14 Statistiska metoder för säkerhetsanalys F2: Händelseströmmar och Poissonprocesser Definition Intensitet Exempel 2 / 14 Händelseström Händelsen A inträffar vid de okända tidpunkterna S 1, S 2,...

Läs mer

TMS136. Föreläsning 13

TMS136. Föreläsning 13 TMS136 Föreläsning 13 Jämförelser mellan två populationer Hittills har vi gjort konfidensintervall och tester kring parametrar i EN population I praktiska sammanhang är man ofta intresserad av att jämföra

Läs mer

Matematisk statistik KTH. Formel- och tabellsamling i matematisk statistik

Matematisk 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 mer

Föreläsning 12: Regression

Föreläsning 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 mer

0 om x < 0, F X (x) = x. 3 om 0 x 1, 1 om x > 1.

0 om x < 0, F X (x) = x. 3 om 0 x 1, 1 om x > 1. Avd. Matematisk statistik TENTAMEN I SF9, SF95 SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAGEN DEN 2:E JANUARI 25 KL 4. 9.. Kursledare: Gunnar Englund, 73 32 37 45 Tillåtna hjälpmedel: Formel- och tabellsamling

Läs mer

Våra vanligaste fördelningar

Våra vanligaste fördelningar Sida Våra vanligaste fördelningar Matematisk statistik för D3, VT Geometrisk fördelning X är geometriskt fördelad med parameter p, X Geo(p), om P (X = k) = ( p) k p P (X k) = ( p) k för k =,,... Beskriver

Läs mer

Tentamen i statistik (delkurs C) på kursen MAR103: Marina Undersökningar - redskap och metoder.

Tentamen i statistik (delkurs C) på kursen MAR103: Marina Undersökningar - redskap och metoder. Tentamen 2014-12-05 i statistik (delkurs C) på kursen MAR103: Marina Undersökningar - redskap och metoder. Tillåtna hjälpmedel: Miniräknare och utdelad formelsamling med tabeller. C1. (6 poäng) Ange för

Läs mer

TAMS65 - Föreläsning 2 Parameterskattningar - olika metoder

TAMS65 - Föreläsning 2 Parameterskattningar - olika metoder TAMS65 - Föreläsning 2 Parameterskattningar - olika metoder Martin Singull Matematisk statistik Matematiska institutionen Innehåll Fö2 Punktskattningar Egenskaper Väntevärdesriktig Effektiv Konsistent

Läs mer

Kapitel 18: LINJÄRA SANNOLIKHETSMODELLER, LOGIT OCH PROBIT

Kapitel 18: LINJÄRA SANNOLIKHETSMODELLER, LOGIT OCH PROBIT Kapitel 18: LINJÄRA SANNOLIKHETSMODELLER, LOGIT OCH PROBIT Regressionsanalys handlar om att estimera hur medelvärdet för en variabel (y) varierar med en eller flera oberoende variabler (x). Exempel: Hur

Läs mer

TMS136. Föreläsning 10

TMS136. 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 mer

Laboration 2. i 5B1512, Grundkurs i matematisk statistik för ekonomer

Laboration 2. i 5B1512, Grundkurs i matematisk statistik för ekonomer Laboration 2 i 5B52, Grundkurs i matematisk statistik för ekonomer Namn: Elevnummer: Laborationen syftar till ett ge information och träning i Excels rutiner för statistisk slutledning, konfidensintervall,

Läs mer

3 Maximum Likelihoodestimering

3 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 mer

Poissonregression. E(y x1, x2,.xn) = exp( 0 + 1x1 +.+ kxk)

Poissonregression. E(y x1, x2,.xn) = exp( 0 + 1x1 +.+ kxk) Poissonregression En lämplig utgångspunkt om vi har en beroende variabel som är en count variable, en variabel som antar icke-negativa heltalsvärden med ganska liten variation E(y x1, x2,.xn) = exp( 0

Läs mer

(a) sannolikheten för att läkaren ställer rätt diagnos. (b) sannolikheten för att en person med diagnosen ej sjukdom S ändå har sjukdomen, dvs.

(a) sannolikheten för att läkaren ställer rätt diagnos. (b) sannolikheten för att en person med diagnosen ej sjukdom S ändå har sjukdomen, dvs. Avd. Matematisk statistik TENTAMEN I SF1901 SANNOLIKHETSTEORI OCH STATISTIK, TORSDAGEN DEN 31:E MAJ 2012 KL 08.00 13.00. Examinator: Tobias Rydén, tel 790 8469. Kursledare: Tatjana Pavlenko, tel 790 8466.

Läs mer

Examinationsuppgifter del 2

Examinationsuppgifter del 2 UMEÅ UNIVERSITET Institutionen för Matematik och Matematisk statistisk Statistik för ingenjörer, poäng, Anders Lundquist 7-- Examinationsuppgifter del Redovisas muntligt den / (Ö-vik) samt / (Lycksele).

Läs mer

Lektionsanteckningar 11-12: Normalfördelningen

Lektionsanteckningar 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 mer

Föreläsning 6 (kap 6.1, 6.3, ): Punktskattningar

Föreläsning 6 (kap 6.1, 6.3, ): Punktskattningar Föreläsning 6 (kap 6.1, 6.3, 7.1-7.3): Punktskattningar Marina Axelson-Fisk 4 maj, 2016 Stickprov (sample) Idag: Stickprovsmedelvärde och varians Statistika (statistic) Punktskattning (point estimation)

Läs mer

Logistisk regression och Indexteori. Patrik Zetterberg. 7 januari 2013

Logistisk 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 mer

Tentamen i TMA321 Matematisk Statistik, Chalmers Tekniska Högskola.

Tentamen i TMA321 Matematisk Statistik, Chalmers Tekniska Högskola. Tentamen i TMA321 Matematisk Statistik, Chalmers Tekniska Högskola. Tid: Måndagen den 2015-06-01, 8.30-12.30. Examinator och Jour: Olle Nerman, tel. 7723565, rum 3056, MV, Chalmers. Hjälpmedel: Valfri

Läs mer

Tentamen i Statistik, STA A10 och STA A13 (9 poäng) Måndag 14 maj 2007, Kl

Tentamen 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 mer

Till ampad statistik (A5) Förläsning 13: Logistisk regression

Till 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 mer

Föreläsning 8: Konfidensintervall

Föreläsning 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 mer

4.1 Grundläggande sannolikhetslära

4.1 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 mer

För logitmodellen ges G (=F) av den logistiska funktionen: (= exp(z)/(1+ exp(z))

För 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 mer

SF1905 Sannolikhetsteori och statistik: Lab 2 ht 2010

SF1905 Sannolikhetsteori och statistik: Lab 2 ht 2010 Avd. Matematisk statistik SF1905 Sannolikhetsteori och statistik: Lab 2 ht 2010 0 Allmänna anvisningar Arbeta med handledningen, och skriv rapport, i grupper om två eller tre personer. Närvaro vid laborationstiden

Läs mer

FACIT (korrekta svar i röd fetstil)

FACIT (korrekta svar i röd fetstil) v. 2013-01-14 Statistik, 3hp PROTOKOLL FACIT (korrekta svar i röd fetstil) Datorlaboration 2 Konfidensintervall & hypotesprövning Syftet med denna laboration är att ni med hjälp av MS Excel ska fortsätta

Läs mer

Datorövning 4 Poissonregression

Datorövning 4 Poissonregression Lunds tekniska högskola Matematikcentrum Matematisk statistik STATISTISKA METODER FÖR SÄKERHETSANALYS FMS065 Datorövning 4 Poissonregression När man hanterar två eller fler variabler är man ofta intresserad

Läs mer

Tenta i Statistisk analys, 15 december 2004

Tenta i Statistisk analys, 15 december 2004 STOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN LÖSNINGAR Avd. Matematisk statistik, ML 15 december 004 Lösningar Tenta i Statistisk analys, 15 december 004 Uppgift 1 Vi har två stickprov med n = 5 st.

Läs mer

TMS136: Dataanalys och statistik Tentamen

TMS136: Dataanalys och statistik Tentamen TMS136: Dataanalys och statistik Tentamen 013-08-7 Examinator och jour: Mattias Sunden, tel. 0730 79 9 79 Hjälpmedel: Chalmersgodkänd räknare och formelsamling (formelsamling delas ut med tentan). Betygsgränser:

Läs mer

b) antalet timmar Lukas måste arbeta för att sannolikheten att han ska hinna med alla 112 datorerna ska bli minst (3 p)

b) antalet timmar Lukas måste arbeta för att sannolikheten att han ska hinna med alla 112 datorerna ska bli minst (3 p) Avd. Matematisk statistik TENTAMEN I SF1901, SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAGEN DEN 27:E OKTOBER 2014 KL 08.00 13.00. Kursledare: Tatjana Pavlenko, 08-790 84 66, Björn-Olof Skytt, 08-790 86 49.

Läs mer

Nedan redovisas resultatet med hjälp av ett antal olika diagram (pkt 1-6):

Nedan 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 mer

Föreläsning 7. Statistikens grunder.

Föreläsning 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 mer

, s a. , s b. personer från Alingsås och n b

, s a. , s b. personer från Alingsås och n b Skillnader i medelvärden, väntevärden, mellan två populationer I kapitel 8 testades hypoteser typ : µ=µ 0 där µ 0 var något visst intresserant värde Då användes testfunktionen där µ hämtas från, s är populationsstandardavvikelsen

Läs mer

F19, (Multipel linjär regression forts) och F20, Chi-två test.

F19, (Multipel linjär regression forts) och F20, Chi-två test. Partiella t-test F19, (Multipel linjär regression forts) och F20, Chi-två test. Christian Tallberg Statistiska institutionen Stockholms universitet Då man testar om en enskild variabel X i skall vara med

Läs mer

Föreläsning 1. Repetition av sannolikhetsteori. Patrik Zetterberg. 6 december 2012

Föreläsning 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 mer

Regressionsanalys av lägenhetspriser i Spånga

Regressionsanalys av lägenhetspriser i Spånga Regressionsanalys av lägenhetspriser i Spånga Mahamed Saeid Ali Kandidatuppsats i matematisk statistik Bachelor Thesis in Mathematical Statistics Kandidatuppsats 2016:11 Matematisk statistik Juni 2016

Läs mer

Statistiska metoder för säkerhetsanalys

Statistiska metoder för säkerhetsanalys F11: Poissonprocesser och tillförlitlighet Egenskaper Träd Test London Poissonprocesser i planet Vi har ett område B. Låt N(B) vara antalet händelser som inträffar i område B. Om det gäller att två eller

Läs mer

FÖRELÄSNINGSMATERIAL. diff SE. SE x x. Grundläggande statistik 2: KORRELATION OCH HYPOTESTESTNING. Påbyggnadskurs T1. Odontologisk profylaktik

FÖRELÄSNINGSMATERIAL. diff SE. SE x x. Grundläggande statistik 2: KORRELATION OCH HYPOTESTESTNING. Påbyggnadskurs T1. Odontologisk profylaktik Grundläggande statistik Påbyggnadskurs T1 Odontologisk profylaktik FÖRELÄSNINGSMATERIAL : KORRELATION OCH HYPOTESTESTNING t diff SE x 1 diff SE x x 1 x. Analytisk statistik Regression & Korrelation Oberoende

Läs mer

Förberedelseuppgifter: SF1911 STATISTIK FÖR BI0TEKNIK inför tentan MÅNDAGEN DEN 9 DECEMBER 2016 KL 14.00 19.00. Examinator: Timo Koski FACIT FINNS I DOKUMENTET sf1911valdatalfacit.pdf i katalogen https://www.math.kth.se/matstat/gru/sf1911/extraovningar/.

Läs mer

(b) Bestäm sannolikheten att minst tre tåg är försenade under högst tre dagar en given vecka.

(b) Bestäm sannolikheten att minst tre tåg är försenade under högst tre dagar en given vecka. Avd. Matematisk statistik TENTAMEN I SF1901, SF1905 SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAGEN DEN 11 JANUARI 2016 KL 14.00 19.00. Kursledare för CINEK2: Thomas Önskog, tel: 08 790 84 55 Kursledare för

Läs mer

Innehåll: 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: 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

Oberoende stokastiska variabler

Oberoende stokastiska variabler Kapitel 6 Oberoende stokastiska variabler Betrakta ett försök med ett ändligt (eller högst numrerbart) utfallsrum Ω samt två stokastiska variabler ξ och η med värdemängderna Ω ξ och Ω η. Vi bildar funktionen

Läs mer

STOCKHOLMS UNIVERSITET FYSIKUM

STOCKHOLMS UNIVERSITET FYSIKUM STOCKHOLMS UNIVERSITET FYSIKUM Tentamensskrivning i Fysikexperiment, 7,5 hp, för FK2002 Onsdagen den 15 december 2010 kl. 9-14. Skrivningen består av två delar A och B. Del A innehåller enkla frågor och

Läs mer

TENTAMEN I STATISTIKENS GRUNDER 2

TENTAMEN I STATISTIKENS GRUNDER 2 STOCKHOLMS UNIVERSITET Statistiska institutionen Michael Carlson HT2012 TENTAMEN I STATISTIKENS GRUNDER 2 2012-11-20 Skrivtid: kl 9.00-14.00 Godkända hjälpmedel: Miniräknare, språklexikon Bifogade hjälpmedel:

Läs mer

Vid formulering av den linjära regressionsmodellen utgår man ifrån att; Sambandet mellan Y-variabel och X-variabel är linjärt m a p parametrar

Vid formulering av den linjära regressionsmodellen utgår man ifrån att; Sambandet mellan Y-variabel och X-variabel är linjärt m a p parametrar ICKE-LINJÄRA MODELLER Vid formulering av den linjära regressionsmodellen utgår man ifrån att; Y i = 1 + 2 X 2i + u i Sambandet mellan Y-variabel och X-variabel är linjärt m a p parametrar cov(x i,u i )

Läs mer

LÖSNINGSFÖRSLAG TILL TENTAMEN I MATEMATISK STATISTIK 2007-08-29

LÖSNINGSFÖRSLAG TILL TENTAMEN I MATEMATISK STATISTIK 2007-08-29 UMEÅ UNIVERSITET Institutionen för matematik och matematisk statistik Statistik för Teknologer, 5 poäng (TNK, ET, BTG) Peter Anton, Per Arnqvist Anton Grafström TENTAMEN 7-8-9 LÖSNINGSFÖRSLAG TILL TENTAMEN

Läs mer

Formler och tabeller till kursen MSG830

Formler och tabeller till kursen MSG830 Formler och tabeller till kursen MSG830 Deskriptiva mått För ett datamängd x 1,, x n denieras medelvärde standardavvikelse standardfelet (SEM) Sannolikheter x = 1 n n i=1 = x 1 + + x n n s = 1 n (x i x)

Läs mer

Rättningstiden är i normalfall 15 arbetsdagar, till detta tillkommer upp till 5 arbetsdagar för administration, annars är det detta datum som gäller:

Rättningstiden 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 mer

Statistik B Regressions- och tidsserieanalys Föreläsning 1

Statistik B Regressions- och tidsserieanalys Föreläsning 1 Statistik B Regressions- och tidsserieanalys Föreläsning Kurskod: 732G7, 8 hp Lärare och examinator: Ann-Charlotte (Lotta) Hallberg Lärare och lektionsledare: Isak Hietala Labassistenter Kap 3,-3,6. Läs

Läs mer

Preliminära lösningar för Tentamen Tillämpad statistik A5 (15hp) Statistiska institutionen, Uppsala universitet

Preliminära lösningar för Tentamen Tillämpad statistik A5 (15hp) Statistiska institutionen, Uppsala universitet Preliminära lösningar för Tentamen Tillämpad statistik A5 (15hp) 2016-01-13 Statistiska institutionen, Uppsala universitet Uppgift 1 (20 poäng) A) (4p) Om kommunens befolkning i den lokala arbetsmarknaden

Läs mer

Föreläsning 2. Kap 3,7-3,8 4,1-4,6 5,2 5,3

Föreläsning 2. Kap 3,7-3,8 4,1-4,6 5,2 5,3 Föreläsning Kap 3,7-3,8 4,1-4,6 5, 5,3 1 Kap 3,7 och 3,8 Hur bra är modellen som vi har anpassat? Vi bedömer modellen med hjälp av ett antal kriterier: visuell bedömning, om möjligt F-test, signifikanstest

Läs mer

SF1901: SANNOLIKHETSTEORI OCH. PASSNING AV FÖRDELNING: χ 2 -METODER. STATISTIK. Tatjana Pavlenko. 12 oktober 2015

SF1901: SANNOLIKHETSTEORI OCH. PASSNING AV FÖRDELNING: χ 2 -METODER. STATISTIK. Tatjana Pavlenko. 12 oktober 2015 SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 14 PASSNING AV FÖRDELNING: χ 2 -METODER. Tatjana Pavlenko 12 oktober 2015 PLAN FÖR DAGENS FÖRELÄSNING Icke-parametsriska metoder. (Kap. 13.10) Det grundläggande

Läs mer

Statistiska metoder för säkerhetsanalys

Statistiska metoder för säkerhetsanalys F9: Intensiteter 3 september 213 Egenskaper Återstående livslängd Storm Poissonprocess (igen) Händelsen A inträffar enligt en Poissonprocess med intensitet l. N A (t) = antal gånger A inträffar i (, t)

Läs mer

Kap 3: Diskreta fördelningar

Kap 3: Diskreta fördelningar Kap 3: Diskreta fördelningar Sannolikhetsfördelningar Slumpvariabler Fördelningsfunktion Diskreta fördelningar Likformiga fördelningen Binomialfördelningen Hypergeometriska fördelningen Poisson fördelningen

Läs mer

8 Inferens om väntevärdet (och variansen) av en fördelning

8 Inferens om väntevärdet (och variansen) av en fördelning 8 Inferens om väntevärdet (och variansen) av en fördelning 8. Skattning av µ och Students T-fördelning Om σ är känd, kan man använda statistikan X µ σ/ n för att hitta konfidensintervall för µ. Om σ inte

Läs mer

Samplingfördelningar 1

Samplingfördelningar 1 Samplingfördelningar 1 Parametrar och statistikor En parameter är en konstant som karakteriserar en population eller en modell. Exempel: Populationsmedelvärdet Parametern p i binomialfördelningen 2 Vi

Läs mer

Industriell matematik och statistik, LMA136 2013/14

Industriell matematik och statistik, LMA136 2013/14 Industriell matematik och statistik, LMA136 2013/14 7 Mars 2014 Disposition r Kondensintervall och hypotestest Kondensintervall Statistika Z (eller T) har fördelning F (Z en funktion av ˆθ och θ) q 1 α/2

Läs mer

För logitmodellen ges G (=F) av den logistiska funktionen: (= exp(z)/(1+ exp(z))

För 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 mer

Lösningar till tentamen i Matematisk Statistik, 5p

Lösningar till tentamen i Matematisk Statistik, 5p Lösningar till tentamen i Matematisk Statistik, 5p LGR00 6 juni, 200 kl. 9.00 1.00 Kursansvarig: Eric Järpe Maxpoäng: 0 Betygsgränser: 12p: G, 21p: VG Hjälpmedel: Miniräknare samt tabell- och formelsamling

Läs mer

AMatematiska institutionen avd matematisk statistik

AMatematiska 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 mer

Härledning av Black-Littermans formel mha allmänna linjära modellen

Härledning 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 mer

Hypotesprövning. Andrew Hooker. Division of Pharmacokinetics and Drug Therapy Department of Pharmaceutical Biosciences Uppsala University

Hypotesprövning. Andrew Hooker. Division of Pharmacokinetics and Drug Therapy Department of Pharmaceutical Biosciences Uppsala University Hypotesprövning Andrew Hooker Division of Pharmacokinetics and Drug Therapy Department of Pharmaceutical Biosciences Uppsala University Hypotesprövning Liksom konfidensintervall ett hjälpmedel för att

Läs mer

Statistik 1 för biologer, logopeder och psykologer

Statistik 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 mer

Jesper Rydén. Matematiska institutionen, Uppsala universitet Tillämpad statistik 1MS026 vt 2014

Jesper Rydén. Matematiska institutionen, Uppsala universitet Tillämpad statistik 1MS026 vt 2014 Föreläsning 1. Jesper Rydén Matematiska institutionen, Uppsala universitet jesper@math.uu.se Tillämpad statistik 1MS026 vt 2014 Varför tillämpad statistik? Användningsområden i medicin, naturvetenskap

Läs mer

Laboration 3: Enkla punktskattningar, styrkefunktion och bootstrap

Laboration 3: Enkla punktskattningar, styrkefunktion och bootstrap LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 3, HT -06 MATEMATISK STATISTIK FÖR F, PI OCH NANO, FMS 012 MATEMATISK STATISTIK FÖR FYSIKER, MAS 233 Laboration 3: Enkla punktskattningar,

Läs mer

TT091A, TVJ22A, NVJA02 Pu, Ti. 50 poäng

TT091A, TVJ22A, NVJA02 Pu, Ti. 50 poäng Matematisk statistik Provmoment: Ladokkod: Tentamen ges för: TT091A, TVJ22A, NVJA02 Pu, Ti 7,5 högskolepoäng Namn: (Ifylles av student) Personnummer: (Ifylles av student) Tentamensdatum: 2012-05-29 Tid:

Läs mer

Varför statistik? det finns inga dumma frågor, bara dumma svar! Serik Sagitov

Varför statistik? det finns inga dumma frågor, bara dumma svar! Serik Sagitov Summer Science Camp, Tjärnö, 8 August 2012 Varför statistik? Serik Sagitov http://www.math.chalmers.se/ serik/ Avdelningen för matematisk statistik Matematiska Vetenskaper Chalmers Tekniska Högskola och

Läs mer

I den här datorövningen ser vi hur R kan utnyttjas för att kontrollera modellantaganden och beräkna konfidensintervall.

I den här datorövningen ser vi hur R kan utnyttjas för att kontrollera modellantaganden och beräkna konfidensintervall. UPPSALA UNIVERSITET Matematiska institutionen Måns Thulin Statistik för ingenjörer 1MS008 VT 2011 DATORÖVNING 2: SKATTNINGAR OCH KONFIDENSINTERVALL 1 Inledning I den här datorövningen ser vi hur R kan

Läs mer

Tentamen i Statistik, STA A10 och STA A13 (9 poäng) Fredag 8 december 2006, Kl

Tentamen i Statistik, STA A10 och STA A13 (9 poäng) Fredag 8 december 2006, Kl Tentamen i Statistik, STA A10 och STA A13 (9 poäng) Fredag 8 december 2006, Kl 08.15-13.15 Tillåtna hjälpmedel: Bifogad formelsamling, approximationsschema och tabellsamling (dessa skall returneras). Egen

Läs mer

Tentamen i Matematisk statistik Kurskod S0001M

Tentamen i Matematisk statistik Kurskod S0001M Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (8 uppgifter) Tentamensdatum 2011-03-25 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 09.00 14.00 Lärare: Adam Jonsson, Erland

Läs mer

a) Anpassa en trinomial responsmodell med övriga relevanta variabler som (icketransformerade)

a) Anpassa en trinomial responsmodell med övriga relevanta variabler som (icketransformerade) 5:1 Studien ifråga, High School and beyond, går ut på att hitta ett samband mellan vilken typ av program generellt, praktiskt eller akademiskt som studenter väljer baserat på olika faktorer kön, ras, socioekonomisk

Läs mer

Matematisk statistik KTH. Formel- och tabellsamling i Matematisk statistik, grundkurs

Matematisk statistik KTH. Formel- och tabellsamling i Matematisk statistik, grundkurs Matematisk statistik KTH Formel- och tabellsamling i Matematisk statistik, grundkurs Varterminen 2005 . Kombinatorik ( ) n = k n! k!(n k)!. Tolkning: ( n k mängd med n element. 2. Stokastiska variabler

Läs mer

Envägs variansanalys (ANOVA) för test av olika väntevärde i flera grupper

Envägs variansanalys (ANOVA) för test av olika väntevärde i flera grupper Envägs variansanalys (ANOVA) för test av olika väntevärde i flera grupper Tobias Abenius February 21, 2012 Envägs variansanalys (ANOVA) I envägs variansanalys utnyttjas att

Läs mer

b) Förekommer A- och B-fel oberoende av varandra? (Motivering krävs naturligtvis!) (5 p)

b) Förekommer A- och B-fel oberoende av varandra? (Motivering krävs naturligtvis!) (5 p) Avd. Matematisk statistik TENTAMEN I SF1901 SANNOLIKHETSLÄRA OCH STATISTIK FREDAGEN DEN 8 MAJ 010 KL 14.00 19.00. Eaminator: Gunnar Englund, tel. 79074 16. Tillåtna hjälpmedel: Formel- och tabellsamling

Läs mer

1/31 REGRESSIONSANALYS. Statistiska institutionen, Stockholms universitet

1/31 REGRESSIONSANALYS. Statistiska institutionen, Stockholms universitet 1/31 REGRESSIONSANALYS F1 Linda Wänström Statistiska institutionen, Stockholms universitet 2/31 Kap 4: Introduktion till regressionsanalys. Introduktion Regressionsanalys är en statistisk teknik för att

Läs mer

Föreläsning 9. NDAB01 Statistik; teori och tillämpning i biologi

Föreläsning 9. NDAB01 Statistik; teori och tillämpning i biologi Föreläsning 9 Statistik; teori och tillämpning i biologi 1 (kap. 20) Introduktion I föregående föreläsning diskuterades enkel linjär regression, där en oberoende variabel X förklarar variationen hos en

Läs mer

Laboration 4: Intervallskattning och hypotesprövning

Laboration 4: Intervallskattning och hypotesprövning LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK LABORATION 4 MATEMATISK STATISTIK AK FÖR CDIFYSIKER, FMS012/MASB03, HT12 Laboration 4: Intervallskattning och hypotesprövning Syftet med den

Läs mer

Problemdel 1: Uppgift 1

Problemdel 1: Uppgift 1 STOCKHOLMS UNIVERSITET MT 00 MATEMATISKA INSTITUTIONEN LÖSNINGAR Avd. Matematisk statistik, CH 8 februari 0 LÖSNINGAR 8 februari 0 Problemdel : Uppgift Rätt svar är: a) X och X är oberoende och Y och Y

Läs mer

FÖRELÄSNING 8:

FÖRELÄSNING 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 mer

SF1901: SANNOLIKHETSTEORI OCH HYPOTESPRÖVNING. STATISTIK. Tatjana Pavlenko. 4 oktober 2016

SF1901: SANNOLIKHETSTEORI OCH HYPOTESPRÖVNING. STATISTIK. Tatjana Pavlenko. 4 oktober 2016 SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 12 HYPOTESPRÖVNING. Tatjana Pavlenko 4 oktober 2016 PLAN FÖR DAGENS FÖRELÄSNING Intervallskattning med normalfördelade data: två stickprov (rep.) Intervallskattning

Läs mer

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Exempel, del II

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Exempel, del II MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Exempel, del II G. Gripenberg Aalto-universitetet 13 februari 2015 G. Gripenberg (Aalto-universitetet) MS-A0509 Grundkurs i sannolikhetskalkyl och

Läs mer

Resultatet anslås senast 10 juni på institutionens anslagstavla samt på kurshemsidan.

Resultatet anslås senast 10 juni på institutionens anslagstavla samt på kurshemsidan. Matematisk statistik Tentamen: 28 5 27 kl 8 13 FMS 32 Matematisk statistik AK för V och L, 7.5 hp Till Del A skall endast svar lämnas. Samtliga svar skall skrivas på ett och samma papper. Övriga uppgifter

Läs mer

Tentamen i Matematisk statistik Kurskod S0001M

Tentamen i Matematisk statistik Kurskod S0001M Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2012-10-30 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 09.00 14.00 Lärare: Adam Jonsson och

Läs mer

k x om 0 x 1, f X (x) = 0 annars. Om Du inte klarar (i)-delen, så får konstanten k ingå i svaret. (5 p)

k x om 0 x 1, f X (x) = 0 annars. Om Du inte klarar (i)-delen, så får konstanten k ingå i svaret. (5 p) Avd. Matematisk statistik TENTAMEN I SF1901 SANNOLIKHETSLÄRA OCH STATISTIK MÅNDAGEN DEN 17 AUGUSTI 2009 KL 08.00 13.00. Examinator: Gunnar Englund, tel. 790 74 16. Tillåtna hjälpmedel: Formel- och tabellsamling

Läs mer

Föreläsning 5. Funktioner av slumpvariabler. Ett centralt resultat.

Föreläsning 5. Funktioner av slumpvariabler. Ett centralt resultat. Föreläsning 5. Funktioner av slumpvariabler. Ett centralt resultat. Jesper Rydén Matematiska institutionen, Uppsala universitet jesper.ryden@math.uu.se 1MS008, 1MS777 vt 2016 Ytterligare begrepp Viktiga

Läs mer

TAMS65 - Föreläsning 11 Regressionsanalys fortsättning Modellval

TAMS65 - Föreläsning 11 Regressionsanalys fortsättning Modellval TAMS65 - Föreläsning 11 Regressionsanalys fortsättning Modellval Martin Singull Matematisk statistik Matematiska institutionen Innehåll Repetition (t-test för H 0 : β i = 0) Residualanalys Modellval Framåtvalsprincipen

Läs mer

Mer om slumpvariabler

Mer om slumpvariabler 1/20 Mer om slumpvariabler Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 4/2 2013 2/20 Dagens föreläsning Diskreta slumpvariabler Vilket kretskort ska man välja? Väntevärde

Läs mer

Föreläsning G60 Statistiska metoder

Föreläsning G60 Statistiska metoder Föreläsning 9 Statistiska metoder 1 Dagens föreläsning o Regression Regressionsmodell Signifikant lutning? Prognoser Konfidensintervall Prediktionsintervall Tolka Minitab-utskrifter o Sammanfattning Exempel

Läs mer

Tentamentsskrivning: Matematisk Statistik med Metoder MVE490 1

Tentamentsskrivning: Matematisk Statistik med Metoder MVE490 1 Tentamentsskrivning: Matematisk Statistik med Metoder MVE490 1 Tentamentsskrivning i Matematisk Statistik med Metoder MVE490 Tid: den 29 oktober, 2016 Examinatorer: Kerstin Wiklander och Erik Broman. Jour:

Läs mer

4. Stokastiska variabler

4. Stokastiska variabler 4. Stokastiska variabler En stokastisk variabel (s.v.) är en funktion som definieras i utfallsrummet. Varje stokastisk variabel har en viss sannolikhetsstruktur. Ex: Man kastar två tärningar. Låt X = summan

Läs mer

tentaplugg.nu av studenter för studenter

tentaplugg.nu av studenter för studenter tentaplugg.nu av studenter för studenter Kurskod Kursnamn SM Matematisk statistik Datum LP - Material Laboration Kursexaminator Adam Betygsgränser Tentamenspoäng Övrig kommentar Försättsblad inlämningsuppgift

Läs mer

Uppgift 3 Vid en simuleringsstudie drar man 1200 oberoende slumptal,x i. Varje X i är likformigt fördelat mellan 0 och 1. Dessa tal adderas.

Uppgift 3 Vid en simuleringsstudie drar man 1200 oberoende slumptal,x i. Varje X i är likformigt fördelat mellan 0 och 1. Dessa tal adderas. Avd. Matematisk statistik TENTAMEN I SF1902 SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAGEN DEN 17:E AUGUSTI 2015 KL 8.00 13.00. Kursledare och examinator : Björn-Olof Skytt, tel 790 8649. Tillåtna hjälpmedel:

Läs mer

SF1905 Sannolikhetsteori och statistik: Lab 2 ht 2011

SF1905 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 mer

Statistiskt säkerställande av skillnader

Statistiskt säkerställande av skillnader Rapport Statistiskt säkerställande av skillnader Datum: Uppdragsgivare: 2012-10-16 Mindball Status: DokumentID: Slutlig Mindball 2012:2, rev 2 Sammanfattning Totalt 29 personer har tränat med koncentrationshjälpmedlet

Läs mer