Kontingenstabell (Korstabell) 2. Oberoende-test. Stickprov beror av slumpen. Vad vi förvf. är r oberoende: kriterier är r oberoende: kriterier

Storlek: px
Starta visningen från sidan:

Download "Kontingenstabell (Korstabell) 2. Oberoende-test. Stickprov beror av slumpen. Vad vi förvf. är r oberoende: kriterier är r oberoende: kriterier"

Transkript

1 . Oberoede-test Kotgestabell (Korstabell) Oberoedet av två rterer för lassfato udersöes xempel: V vll veta om röadet är beroede av ö V tar ett stcprov ur befolge (=50) och lassfcera persoera elgt dessa två rterer: Kv. M. R R * V har 00 vor, 0 av de röar. V har 50 mä. 30 av de röar. Totalt röar 50 av 50. Kv. M. R 0 30 R * 80 0 Varje perso hamar exat e cell. uwe.mezel@gepat.uu.se Om röadet är oberoede av ö: v förvätar oss att det fs samma adel röare blad vor som blad mä! Här är det så: Det fs totalt 0% röare (50 av 50, ssta olum). Det är ocså 0% av vora och 0% av mä som röar! Vad v förvf rvätar oss om båda b rterer är r oberoede: Vad v förvf rvätar oss om båda b rterer är r oberoede: Kv. M. R R * Kv. M. R a b R R * c d R K K Oberoedet räver: Allmät: a K b K vor mä K a K b K a K b R K c R K d Kv. M. R a b R R * c d R K K detsamma gäller ocså för adele ce-röare Förvätade värde v varje cell om båda rterer är r oberoede: Kv. M. R K R K R R R R * K R K R K K Stcprov beror av slumpe tt mer realstst stcprov. tt sådat stcprov a uppstå äve vd oberoedet:.. stcprovet avver ju te mycet frå de förvätade värde: Kv. M. R R * Kv. M. R R *

2 tt aat stcprov Test för f r oberoedet tt stcprov som avver mycet frå de förvätade värde. V msstäer att båda rterer är te oberoede.... ty stcprovet avver ju mycet frå de förvätade värde: Kv. M. R R * Kv. M. R R * Nollhypotes: oberoedet Nollhypotese förastas om stcprovet avver för mycet frå de förvätade värde, om det är osaolt att ett sådat stcprov ommer tll ståd uder H 0 Ige: Var går gräse? Vlet värde får sllade maxmalt ha för att bbehålla ollhypotese? (Hur mäter jag sllade överhuvudtaget?) v behöver e fördelg för sllade, dvs. saolhete att e vss sllad uppstår uder H 0! Om dea sllad är osaol, förastar v H 0. summa som mäter sllade observed values O expected values Fördelge av dea testvarabel a ma räa ut, gvet att ollhypotese gäller (och att är stor) Ch- Square fördelge Lte förvrrade: testvarabel allas av ågo aledg, och de är ocså -fördelad. Atalet frhetsgrader och rtst område för f r oberoede-testet r=atalet råder c=atalet olumer df rt r c är postv och v förastar ollhypotese om de är stor upper tal test. Observed Kv. M. xpected (H 0 ) Kv. M. Resultat R R * R R * ,6,4 Ch-Square; df= O summa över alla celler Desty,,0 0,8 0,6 0,4 0, 0,0 0 =.67 3,84 0,05 rt H 0 förastas te. Röadet a vara oberoede av ö.

3 Mtab Stat / Tables / Ch-Square Test Ch-Square Test: M; K Mtab results xpected couts are prted below observed couts Ch-Square cotrbutos are prted below expected couts M K Total ,00 30,00 0,800 0, ,00 0,00 0,00 0,33 observed expected Total Ch-Sq =,667; DF = ; P-Value = 0,97 Sammafattg oberoede-test A A * B O O R B * O 3 O 4 R K K O rt K K R K 3 R K 4 A A * B R B * 3 4 R K K summa över alla celler df df r c Förutsättgarttgar bara om är stor har summa e -fördelg 5 varje cell slumpmässgt stcprov (som valgt) A A * B R B * 3 4 R K K alla 5 Ite lmterad tll x tabeller! Föredrar två muräarter ola mljöer er? xpermet: det räades hur ofta ma såg två muräarter ett vsst område Belze. Det oterades vla arter sågs vle mljö. Youg, R.F., ad H.. W Actvty patters, det, ad shelter ste use for two speces of moray eels, Gymothorax morga ad Gymothorax vcus, Belze. Copea 003: Föredrar två muräarter ola mljöer er? Observatoer morga vcus gräs sad gräs

4 O Observed ad expected / 834 morga vcus gräs sad gräs df rt morga vcus gräs sad gräs O r ( c ) df O rt Resultat 6.6 df 5.99 H 0 förastas. Ola arter föredrar ola mjöer. Atalet frhetsgrader var : Om ma fyller (godtyclga) celler x3-tabelle, följer alla adra automatst (om margalfördelgar är gva). Testa gära det!! Det är lättare ä sudou Mtab Stat / Tables / Ch-Square Test Results for: eel Ch-Square Test: art; art xpected couts are prted below observed couts Ch-Square cotrbutos are prted below expected couts art art Total ,77 00,3,74, ,53 68,47 0,0 0,03 observed expected ,70 75,30 0,89,66 samma resultat som förut... H 0 förastas Total Ch-Sq = 6,6; DF = ; P-Value = 0,044 Chsquare.MPJ Om < 5 (small sample sze) Fsher s xact test (för orstabeller) beror te på ormalapproxmato H 0 som förut: ge assozato mella båda egesaper Cell-värdea (uder H 0 ) orstabelle följer e hypergeometrs fördelg xempel: Jag atar att röadet är oberoede av ö (H 0 ). Jag tar ett stcprov av 5 persoer, därav 5 röare och 0 vor (det måste vara ät). Hur stor är saolhete att ha vlga röare detta stcprov? Kv. M. R 5 R * Fsher s s xact test Fsher s xact test räar ut hur saolt e vss ofgurato är (margalsummora gva): Kv. M. R a b a+b R * c d c+d a+c b+d e vss ofgurato av a,b,c,d p a b a a c c d c... och dess saolhet uder H 0

5 Fsher s s xact test: p-värdetp p-värdet: saolhet för de observerade tabelle plus slh:a för alla täbara äu mera extrema (mera ojäm-fördelade, mdre saola) tabeller mera extrema = mdre saolheter täbar heter att r- och -summora måste bbehållas! om p-värdet är ltet förasta H 0, ty det är osaolt att få ett sådat tabell uder H 0 Att räa r Fsher s s xact test räe-tesvt, atalet täbara tabeller växer sabbt med tabelles storle (dvs. med atalet rader och olumer) Mtab: bara x tabeller web-ste för större tabeller (max. 6x6): Mtab- stort stcprov Stat / Tables / Cross Tabulato ad Ch-Square Fsher är gömd här Results Large Sample Tabulated statstcs: smoe; geder Usg frequeces cout Rows: smoe Colums: geder F M All o 5 6 yes All Cell Cotets: Cout Pearso Ch-Square = 3,985; DF = ; P-Value = 0,046 Lelhood Rato Ch-Square = 4,035; DF = ; P-Value = 0,045 välj Fsher s xact Test här, ma a doc te bestämma vle alteratv hypotes ma vll ha (oe-taled / two-taled) Fsher's exact test: P-Value = 0,054 Mtab- ltet stcprov Stat / Tables / Cross Tabulato ad Ch-Square Fsher är gömd här Results Small Sample Results for: smoe_smallsample Rows: smoe Colums: geder F M All o yes 7 9 All Cell Cotets: Cout ltet stcprov Pearso Ch-Square =,60; DF = ; P-Value = 0,07 Lelhood Rato Ch-Square = 3,966; DF = ; P-Value = 0,046 * NOT * cells wth expected couts less tha 5 Fsher's exact test: P-Value = 0,7 välj Fsher s xact Test här

6 Hypergeometrsa fördelgef Appedx N 3 b 5 3 atalet ulor ura atalet blå ulor ura stcprovets storle Ma drar ulor. Hur stor är slh. att få blåa? Hyp N, b, P b N b N 3 3 Hypergeometrsa fördelgef Mtab Hyp P N, b, Hyp3, 5, 3 b N b N P P P P N b Mtab Graph / Vew Probablty 0,5 0,4 Dstrbuto Plot Hypergeometrc; N=3; b=5; =3 0,0 0,5 Dstrbuto Plot Hypergeometrc; N=00; M=40; =30 b Probablty 0,3 0, 0, 0, Probablty 0,0 0,05 0,00 0, ,5 Shaded area, x-value=0: Mtab gör det så att saolhetera på båda sdor är ugefär la stora

1. Anpassningstest. Chi-Square test. Multinomial experiment. Multinomial experiment. Vad gör g r ett anpassningstest?

1. Anpassningstest. Chi-Square test. Multinomial experiment. Multinomial experiment. Vad gör g r ett anpassningstest? Ch-Square test 1. Anpassnngstest 1. Anpassnngstest (Goodness of Ft). Oberoendetest (Independence Test) uwe.menzel@genpat.uu.se Vad gör g r ett anpassnngstest? Hur bra passar en statsts modell tll observerade

Läs mer

Parametriska metoder. Icke-parametriska metoder. parametriska test. Icke-parametriska test. Location Shift. Vilket test ersätts med vilket?

Parametriska metoder. Icke-parametriska metoder. parametriska test. Icke-parametriska test. Location Shift. Vilket test ersätts med vilket? Icke-parametrska test Icke-parametrska metoder Parametrska metoder Fördelge för populatoe som stckprovet togs frå är käd så ära som på ett atal parametrar, t.ex: N med okäda och Icke-parametrska metoder

Läs mer

Väntevärde för stokastiska variabler (Blom Kapitel 6 och 7)

Väntevärde för stokastiska variabler (Blom Kapitel 6 och 7) Matemats statst för STS vt 004 004-04 - 0 Begt Rosé Vätevärde för stoastsa varabler (Blom Kaptel 6 och 7 1 Vätevärde för e dsret stoasts varabel Låt vara e dsret s.v. med saolhetsfuto p ( elgt eda. Saolhetera

Läs mer

F13. Förra gången (F12) Konfidensintervall och hypotesprövning Chi-tvåtest. Stratifierat urval

F13. Förra gången (F12) Konfidensintervall och hypotesprövning Chi-tvåtest. Stratifierat urval Konfdensntervall och hypotesprövnng Ch-tvåtest F3 Förra gången (F) Stratferat urval Dela n populatonen homogena ata med avseende på atferngsvarabeln Välj atferngsvarabel som har ett samband med undersöknngsvarabeln

Läs mer

Variansanalys ANOVA. Idé. Experiment med flera populationer. Beteckningar. Beteckningar. ANOVA - ANalysis

Variansanalys ANOVA. Idé. Experiment med flera populationer. Beteckningar. Beteckningar. ANOVA - ANalysis Varansanalys ANOVA ANOVA - ANalyss Of VArance Stcprov från flera populatoner ( ) analyserar varansen (sprdnngen) varje stcprov för att dra slutsatser om medelvärden Har alla populatoner samma medelvärden?

Läs mer

KONFIDENSINTERVALL FÖR MEDIANEN (=TECKENINTERVALL )

KONFIDENSINTERVALL FÖR MEDIANEN (=TECKENINTERVALL ) Arm Hallovc: EXTRA ÖVNINGAR Tecetervall KONFIDENSINTERVALL FÖR MEDIANEN (TECKENINTERVALL ) För att bestämma ett ofdestervall för medae tll e otuerlg s.v. ξ aväder v ett stcprov ξ ξ ξ3 ξ av storlee som

Läs mer

Z-Testet. Idè. Repetition normalfördelning. rdelning. Testvariabel z

Z-Testet. Idè. Repetition normalfördelning. rdelning. Testvariabel z Repetitio ormalfördelig rdelig Z-Testet X i. Medelvärdets fördelig:.stadardiserad ormalfördelig: N (, ) X N, X X N (, ) N (,) X N, X N(,) 3. Kvatiler: uwe.meel@math.uu.se Vad gör g r Z-testetZ? H : e ormalfördelad

Läs mer

Medelvärde. Repetition. Median. Standardavvikelse. Frekvens. Normerat värde. z = x x

Medelvärde. Repetition. Median. Standardavvikelse. Frekvens. Normerat värde. z = x x Medelvärde Reetto mb9 Medelvärdet är summa av alla observatoer dvderat med deras atal. x 873+85+8385+83+8+83+8087+808+80 = 70 70 = 89 9 Meda Medae är de mttersta observatoe. = 8 Eller medelvärdet av de

Läs mer

Stat. teori gk, ht 2006, JW F13 HYPOTESPRÖVNING (NCT ) Ordlista till NCT

Stat. teori gk, ht 2006, JW F13 HYPOTESPRÖVNING (NCT ) Ordlista till NCT Stat. teori gk, ht 2006, JW F13 HYPOTESPRÖVNING (NCT 10.1-10.3) Ordlista till NCT Hypothesis testig Null hypothesis Alterative hypothesis Simple / composite Oe-sided /two-sided Reject Test statistic Type

Läs mer

1. Test av anpassning.

1. Test av anpassning. χ -metode. χ -metode ka avädas för prövig av hypoteser i flera olika slag av problem: om e stokastisk variabel följer e viss saolikhetsfördelig med käda eller okäda parametrar. om två stokastiska variabler

Läs mer

Fördelningen för populationen som stickprovet togs ifrån är känd så nära som på ett antal parametrar, t.ex: N med okända

Fördelningen för populationen som stickprovet togs ifrån är känd så nära som på ett antal parametrar, t.ex: N med okända we Mezel, 7 we.mezel@sl.se; we.mezel@matstat.de www.matstat.de Parametrska metoder Fördelge för poplatoe som stckprovet togs frå är käd så ära som på ett atal parametrar, t.ex: N med okäda Icke-parametrska

Läs mer

Stokastiska variabler

Stokastiska variabler TNG006 F2 11-04-2016 Stoastisa variabler Ett slumpmässigt försö ger ofta upphov till ett tal som bestäms av utfallet av försöet. Talet är ite ät före försöet uta bestäms av vilet utfall som ommer att uppstå,

Läs mer

F4 Matematikrep. Summatecken. Summatecken, forts. Summatecken, forts. Summatecknet. Potensräkning. Logaritmer. Kombinatorik

F4 Matematikrep. Summatecken. Summatecken, forts. Summatecken, forts. Summatecknet. Potensräkning. Logaritmer. Kombinatorik 0-0-5 F Matematrep Summateet Potesräg Logartmer Kombator Summatee Säg att v har ste tal,, Summa av dessa tal (alltså + + ) srvs ortfattat med hälp av summatee: summa då går fr.o.m. t.o.m. Summatee, forts.

Läs mer

4.2.3 Normalfördelningen

4.2.3 Normalfördelningen 4..3 Normalfördelge Bomal- och Possofördelge är två exempel på fördelgar för slumpvarabler som ka ata ädlgt eller uppräkelgt måga olka värde. Sådaa fördelgar sägs vara dskreta. Ofta är ett resultat X frå

Läs mer

D 45. Orderkvantiteter i kanbansystem. 1 Kanbansystem med två kort. Handbok i materialstyrning - Del D Bestämning av orderkvantiteter

D 45. Orderkvantiteter i kanbansystem. 1 Kanbansystem med två kort. Handbok i materialstyrning - Del D Bestämning av orderkvantiteter Hadbok materalstyrg - Del D Bestämg av orderkvatteter D 45 Orderkvatteter kabasystem grupp av materalstyrgsmetoder karakterseras av att behov av materal som uppstår hos e förbrukade ehet mer eller mdre

Läs mer

Korrelationens betydelse vid GUM-analyser

Korrelationens betydelse vid GUM-analyser Korrelatoes betydelse vd GUM-aalyser Hela koceptet GUM geomsyras av atagadet att gåede mätgar är okorrelerade. Gude betoar och för sg att ev. korrelato spelar, me ger te mycket vägledg för hur ma då ska

Läs mer

Orderkvantiteter vid begränsningar av antal order per år

Orderkvantiteter vid begränsningar av antal order per år Hadbok materalstyrg - Del D Bestämg av orderkvatteter D 64 Orderkvatteter vd begräsgar av atal order per år Olka så kallade partformgsmetoder aväds som uderlag för beslut rörade val av lämplg orderkvattet

Läs mer

Statistisk analys. Vilka slutsatser kan dras om populationen med resultatet i stickprovet som grund? Hur säkra uttalande kan göras om resultatet?

Statistisk analys. Vilka slutsatser kan dras om populationen med resultatet i stickprovet som grund? Hur säkra uttalande kan göras om resultatet? Statistisk aalys Vilka slutsatser ka dras om populatioe med resultatet i stickprovet som grud? Hur säkra uttalade ka göras om resultatet? Mats Guarsso Tillämpad matematik III/Statistik - Sida 83 Exempel

Läs mer

Sensorer, effektorer och fysik. Analys av mätdata

Sensorer, effektorer och fysik. Analys av mätdata Sesorer, effektorer och fysk Aalys av mätdata Iehåll Mätfel Noggrahet och precso Några begrepp om saolkhetslära Läges- och sprdgsmått Kofdestervall Ljär regresso Mätosäkerhetsaalys Mätfel Alla mätgar är

Läs mer

Sensorer och elektronik. Analys av mätdata

Sensorer och elektronik. Analys av mätdata Sesorer och elektrok Aalys av mätdata Iehåll Mätfel Några begrepp om saolkhetslära Läges- och sprdgsmått Kofdestervall Ljär regresso Mätosäkerhetsaalys Mätfel Alla mätresultat är behäftade med e vss osäkerhet

Läs mer

Föreläsningsanteckningar till Linjär Regression

Föreläsningsanteckningar till Linjär Regression Föreläsgsateckgar tll Ljär Regresso Kasper K S Aderse 3 oktober 08 Statstsk modell Ofta söks ett sambad y fx mella e förklarade eller oberoede varabel x och e resposvarabel eller beroede varabel y V betrakter

Läs mer

F9 Hypotesprövning. Statistikens grunder 2 dagtid. p-värden. Övning 1 från F8

F9 Hypotesprövning. Statistikens grunder 2 dagtid. p-värden. Övning 1 från F8 01-10-5 F9 Hypotesprövg Statstkes gruder dagtd HT 01 Behöver komma håg alla formler? Ne, kolla formelbladet Me vlka som behövs eller te beror på stuatoe Det som ska läras är är behöver Z eller T och hur

Läs mer

Uppsala Universitet Matematiska Institutionen Thomas Erlandsson

Uppsala Universitet Matematiska Institutionen Thomas Erlandsson Uppsala Uiversitet Matematisa Istitutioe Thomas Erladsso LÄSANVISNINGAR VECKA -5 BINOMIALSATSEN Ett uttryc av forme a + b allas ett biom eftersom det är summa av två moom. För uttrycet (a + b) gäller de

Läs mer

Borel-Cantellis sats och stora talens lag

Borel-Cantellis sats och stora talens lag Borel-Catellis sats och stora tales lag Guar Eglud Matematisk statistik KTH Vt 2005 Iledig Borel-Catellis sats är e itressat och avädbar sats framför allt för att bevisa stora tales lag i stark form. Vi

Läs mer

Något om beskrivande statistik

Något om beskrivande statistik Något om beskrvade statstk. Iledg I de flesta sammahag krävs fakta som uderlag för att komma tll rmlga slutsatser eller fatta vettga beslut. Exempelvs ka det på ett företag ha uppstått dskussoer om att

Läs mer

SOS HT Punktskattningar. Skattning från stickprovet. 2. Intuitiva skattningar. 3. Skattning som slumpvariabel. slump.

SOS HT Punktskattningar. Skattning från stickprovet. 2. Intuitiva skattningar. 3. Skattning som slumpvariabel. slump. Puktskattgar SOS HT10 Puktskattg uwe@math.uu.se http://www.math.uu.se/~uwe/sos_ht10 1. Vad är e puktskattg och varför behövs de? 1. Jämförelse: saolkhetstoer statstkteor 2. Itutva ( aturlga ) skattgar

Läs mer

Postadress: Internet: Matematisk statistik Matematiska institutionen Stockholms universitet 106 91 Stockholm Sverige. http://www.math.su.

Postadress: Internet: Matematisk statistik Matematiska institutionen Stockholms universitet 106 91 Stockholm Sverige. http://www.math.su. ËØÓ ÓÐÑ ÙÒ Ú Ö Ø Ø Å Ø Ñ Ø Ø Ø Ø ÁÒ Ø ÓÒ Ò ÒÚ Ö ÒÔ ÒÔ ÖÚ ÓÖÖ Ð Ø ÓÒ ÒÑ ÐÐ Ò ØÖ Ò Ð Ö Ð ÒÊÓÓ Ü Ñ Ò Ö Ø ¾¼½½ Postadress: Matemats statst Matematsa sttutoe Stocholms uverstet 06 9 Stocholm Sverge Iteret:

Läs mer

Föreläsning 3. 732G04: Surveymetodik

Föreläsning 3. 732G04: Surveymetodik Föreläsig 3 732G04: Surveymetodik Dages föreläsig Obudet slumpmässigt urval (OSU) Populatiosparametrar och stickprovsstatistikor Vätevärdesriktighet Ädliga och oädliga populatioer Medelvärde, adel Kofidesitervall

Läs mer

TMS136: Dataanalys och statistik Tentamen 2013-10-26 med lösningar

TMS136: Dataanalys och statistik Tentamen 2013-10-26 med lösningar TMS36: Dataaalys och statistik Tetame 03-0-6 med lösigar Examiator och jour: Mattias Sude, tel. 0730 79 9 79 Hjälpmedel: Chalmersgodkäd räkare och formelsamlig formelsamlig delas ut med teta). Betygsgräser:

Läs mer

Intervallskattning. c 2005 Eric Järpe Högskolan i Halmstad. Antag att vi har ett stickprov x 1,..., x n på X som vi vet är N(µ, σ) men vi vet ej

Intervallskattning. c 2005 Eric Järpe Högskolan i Halmstad. Antag att vi har ett stickprov x 1,..., x n på X som vi vet är N(µ, σ) men vi vet ej Itervallskattig c 005 Eric Järpe Högskola i Halmstad Atag att vi har ett stickprov x,..., x på X som vi vet är Nµ, σ me vi vet ej värdet av µ = EX. Då ka vi beräka x, vvr skattig av µ. För att få reda

Läs mer

TENTAMEN I MATEMATISK STATISTIK. Statistik för lärare, 5 poäng

TENTAMEN I MATEMATISK STATISTIK. Statistik för lärare, 5 poäng UMEÅ UNIVERSITET Isttutoe för matematsk statstk Statstk för lärare, MSTA38 Lef Nlsso TENTAMEN 04--6 TENTAMEN I MATEMATISK STATISTIK Statstk för lärare, 5 poäg Skrvtd: 9.00-15.00 Tllåta hjälpmedel: Utdelad

Läs mer

F15 ENKEL LINJÄR REGRESSION (NCT )

F15 ENKEL LINJÄR REGRESSION (NCT ) Stat. teor gk, ht 006, JW F5 ENKEL LINJÄR REGRESSION (NCT.-.4) Ordlta tll NCT Scatter plot Depedet/depedet Leat quare Sum of quare Redual Ft Predct Radom error Aal of varace Sprdgdagram Beroede/oberoede

Läs mer

SAMMANFATTNING AV KURS 602 STATISTIK (Newbold kapitel [7], 8, 9, 10, 13, 14)

SAMMANFATTNING AV KURS 602 STATISTIK (Newbold kapitel [7], 8, 9, 10, 13, 14) AMMANFATTNING AV KUR 6 TATITIK (Newbold katel [7], 8, 9,, 3, 4) INLEDNING 3 Proortoer 3 Proortoer 4 Poulatosvaras 5 KONFIDENINTERVALL 6 Itutv förklarg 6 Arbetsgåg vd beräkg av kofdestervall 7 Tfall. ök

Läs mer

Fyra typer av förstärkare

Fyra typer av förstärkare 1 Föreläsg 1, Ht2 Hambley astt 11.6 11.8, 11.11, 12.1, 12.3 Fyra tyer a förstärkare s 0 s ut s A ut L s L 0 ägsförstärkare ägströmförstärkare (trasadmttasförst.) 0 ut s s ut L s s A 0 L trömsägsförstärkare

Läs mer

F4 Matematikrep. Summatecken. Summatecken, forts. Summatecken, forts. Summatecknet. Potensräkning. Logaritmer. Kombinatorik

F4 Matematikrep. Summatecken. Summatecken, forts. Summatecken, forts. Summatecknet. Potensräkning. Logaritmer. Kombinatorik 03-0-4 F4 Matematirep Summatece Summatecet Potesräig Logaritmer Kombiatori Säg att vi har styce tal x,, x Summa av dessa tal (alltså x + + x ) srivs ortfattat med hjälp av summatece: x i i summa x i då

Läs mer

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

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Exempel etc., del II MS-A0509 Grudkurs i saolikhetskalkyl och statistik Exempel etc., del II G. Gripeberg Aalto-uiversitetet 11 februari 014 G. Gripeberg Aalto-uiversitetet) MS-A0509 Grudkurs i saolikhetskalkyl och statistikexempel

Läs mer

Tentamen i Envariabelanalys 1

Tentamen i Envariabelanalys 1 Liöpigs uiversitet Matematisa istitutioe Matemati och tillämpad matemati Kursod: TATA4 Provod: TEN Iga hjälpmedel är tillåta. Tetame i Evariabelaalys 4-4-3 l 4 9 Lösigara sall vara fullstädiga, välmotiverade,

Läs mer

Föreläsning G04 Surveymetodik 732G19 Utredningskunskap I

Föreläsning G04 Surveymetodik 732G19 Utredningskunskap I Föreläsg 6 73G04 urveymetodk 73G9 Utredgskuska I Dages föreläsg ortfall Totalbortfall Partellt bortfall Hur hatera bortfall? ortfallsstratumasatse (tvåfasurval) ubsttuto Imuterg Reettosquz ortfall och

Läs mer

Orderkvantiteter i kanbansystem

Orderkvantiteter i kanbansystem Hadbok materalstyrg - Del D Bestämg av orderkvatteter D 45 Orderkvatteter kabasystem E grupp av materalstyrgsmetoder karakterseras av att behov av materal som uppstår hos e förbrukade ehet mer eller mdre

Läs mer

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

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Exempel etc., del II MS-A0509 Grudkurs i saolikhetskalkyl och statistik Exempel etc., del II G. Gripeberg Aalto-uiversitetet 14 februari 014 G. Gripeberg (Aalto-uiversitetet) MS-A0509 Grudkurs i saolikhetskalkyl och statistikexempel

Läs mer

= α. β = α = ( ) D (β )= = 0 + β. = α 0 + β. E (β )=β. V (β )= σ2. β N β, = σ2

= α. β = α = ( ) D (β )= = 0 + β. = α 0 + β. E (β )=β. V (β )= σ2. β N β, = σ2 Ljär regresso aolkhet och statstk Regressosaalys VT 2009 Uwe.Mezel@math.uu.se http://www.math.uu.se/ uwe/ Fgur: Mätpukter: x, y Ljär regresso - kalbrerg av e våg Modell för ljär regresso Modell: y α +

Läs mer

Introduktion till statistik för statsvetare

Introduktion till statistik för statsvetare "Det fis iget så praktiskt som e bra teori" November 2011 Bakgrud Stadardiserig E saolikhetsekvatio Kosekves av stora tales lag Stora tales lag ger att är slumpvariablera X i är oberoede, med e och samma

Läs mer

Lösningsförslag till tentamen i 732G71 Statistik B, 2009-12-04

Lösningsförslag till tentamen i 732G71 Statistik B, 2009-12-04 Prs Lösgsförslag tll tetame 73G7 Statstk B, 009--04. a) 340 30 300 80 60 40 0 0.5.0.5.0 Avståd.5 3.0 3.5 b) r y y y y 4985.75 7.7 830 0 39.335 7.7 0 80300-830 0 3.35 0.085 74.475 c) b y y 4985.75 7.7 830

Läs mer

Induktion och Binomialsatsen. Vi fortsätter att visa hur matematiska påståenden bevisas med induktion.

Induktion och Binomialsatsen. Vi fortsätter att visa hur matematiska påståenden bevisas med induktion. Idutio och Biomialsatse Vi fortsätter att visa hur matematisa påståede bevisas med idutio. Defiitio. ( )! = ( över ).!( )! Betydelse av talet studeras seare. Med idutio a vi u visa SATS (Biomialsatse).

Läs mer

Väntevärde, standardavvikelse och varians Ett statistiskt material kan sammanfattas med medelvärde och standardavvikelse (varians), och s.

Väntevärde, standardavvikelse och varians Ett statistiskt material kan sammanfattas med medelvärde och standardavvikelse (varians), och s. Vätevärde, stadardavvkelse och varas Ett statstskt materal ka sammafattas med medelvärde och stadardavvkelse (varas, och s. På lkade sätt ka e saolkhetsfördelg med käda förutsättgar sammafattas med vätevärde,,

Läs mer

Höftledsdysplasi hos dansk-svensk gårdshund - Exempel på tavlan

Höftledsdysplasi hos dansk-svensk gårdshund - Exempel på tavlan Höftledsdysplasi hos dask-svesk gårdshud - Exempel på tavla Sjö A Sjö B Förekomst av parasitdrabbad örig i olika sjöar Exempel på tavla Sjö C Jämföra medelvärde hos kopplade stickprov Tio elitlöpare spriger

Läs mer

Minsta kvadrat-metoden, MK. Maximum likelihood-metoden, ML. Medelfel. E(X i ) = µ i (θ) MK-skattningen av θ fås genom att minimera

Minsta kvadrat-metoden, MK. Maximum likelihood-metoden, ML. Medelfel. E(X i ) = µ i (θ) MK-skattningen av θ fås genom att minimera Matematisk statistik slumpes matematik Saolikhetsteori hur beskriver ma slumpe? Statistikteori vilka slutsatser ka ma dra av ett datamaterial? Statistikteori översikt Puktskattig Hur gör ma e bra gissig

Läs mer

LÖSNINGSFÖRSLAG TILL TENTAMEN I MATEMATISK STATISTIK

LÖSNINGSFÖRSLAG TILL TENTAMEN I MATEMATISK STATISTIK UMEÅ UNIVERSITET Istitutioe för matematisk statistisk Statistiska metoder, 5 poäg MSTA36 Peter Ato LÖSNINGSFÖRSLAG 005-10-6 LÖSNINGSFÖRSLAG TILL TENTAMEN I MATEMATISK STATISTIK Statistiska metoder, 5 poäg

Läs mer

Föreläsning G70, 732G01 Statistik A. Föreläsningsunderlagen är baserade på underlag skrivna av Karl Wahlin

Föreläsning G70, 732G01 Statistik A. Föreläsningsunderlagen är baserade på underlag skrivna av Karl Wahlin Föreläsig 6 732G70, 732G01 Statistik A Föreläsigsuderlage är baserade på uderlag skriva av Karl Wahli Kapitel 6 Iferes om e populatio Sid 151-185 Puktskattig och itervallskattig Statistisk iferes om populatiosmedelvärde

Läs mer

(a) Skissa täthets-/frekvensfunktionen och fördelningsfunktionen för X. Glöm inte att ange värden på axlarna.

(a) Skissa täthets-/frekvensfunktionen och fördelningsfunktionen för X. Glöm inte att ange värden på axlarna. 1 0,5 0 LÖSNINGAR till tetame: Statistik och saolikhetslära (LMA120) Tid och plats: 08:30-12:30 de 6 april 2016 Hjälpmedel: Typgodkäd miiräkare, formelblad Betygsgräser: 3: 12 poäg, 4: 18 poäg, 5: 24 poäg.

Läs mer

Jag läser kursen på. Halvfart Helfart

Jag läser kursen på. Halvfart Helfart KOD: Kurskod: PC106/PC145 Kurs 6: Persolighet, hälsa och socialpsykologi (15 hp) Datum: 3/8 014 Hel- och halvfart VT 14 Provmomet: Socialpsykologi + Metod Tillåta hjälpmedel: Miiräkare Asvarig lärare:

Läs mer

Statistiska analyser C2 Inferensstatistik. Wieland Wermke

Statistiska analyser C2 Inferensstatistik. Wieland Wermke + Statistiska analyser C2 Inferensstatistik Wieland Wermke + Signifikans och Normalfördelning + Problemet med generaliseringen: inferensstatistik n Om vi vill veta ngt. om en population, då kan vi ju fråga

Läs mer

Tentamen i Statistik, STA A13 Deltentamen 2, 5p 20 januari 2007, kl. 09.00-13.00

Tentamen i Statistik, STA A13 Deltentamen 2, 5p 20 januari 2007, kl. 09.00-13.00 0.01.007 Tetame i Statistik, STA A13 Deltetame, 5p 0 jauari 007, kl. 09.00-13.00 Tillåta hjälpmedel: Bifogad formel- och tabellsamlig (skall retureras) samt miiräkare. Asvarig lärare: Haah Hall Övrigt:

Läs mer

Vid mer än 30 frihetsgrader approximeras t-fördelningen med N(0; 1). Konfidensintervallet blir då

Vid mer än 30 frihetsgrader approximeras t-fördelningen med N(0; 1). Konfidensintervallet blir då Stat. teori gk, ht 006, JW F7 ENKEL LINJÄR REGRESSION, FORTS. (NCT.5-.7) Statistisk iferes rörade β Vi vet reda att b är e vätevärdesriktig skattig av modellparameter β. Vi vet också att skattige b har

Läs mer

Tentamen i Matematisk statistik för V2 den 28 maj 2010

Tentamen i Matematisk statistik för V2 den 28 maj 2010 Tetame i Matematisk statistik för V de 8 maj 00 Uppgift : E kortlek består av 5 kort. Dessa delas i i färger: 3 hjärter, 3 ruter, 3 spader och 3 klöver. Kortleke iehåller damer, e i varje färg. Ata att

Läs mer

För att skatta väntevärdet för en fördelning är det lämpligt att använda Medelvärdet. E(ξ) =... = µ

För att skatta väntevärdet för en fördelning är det lämpligt att använda Medelvärdet. E(ξ) =... = µ 1 February 1, 2018 1 Förel. VII Puktskattigar av parametrar i fördeligar 1.1 Puktskattig För att skatta vätevärdet för e fördelig är det lämpligt att aväda Medelvärdet ξ = 1 ξ j. Vi tar u vätevärdet av

Läs mer

F19 HYPOTESPRÖVNING (NCT ) Hypotesprövning för en differens mellan två medelvärden

F19 HYPOTESPRÖVNING (NCT ) Hypotesprövning för en differens mellan två medelvärden Stat. teori gk, ht 006, JW F19 HPOTESPRÖVNING (NCT 11.1-11.) Hypotesprövig för e differes mella två medelvärde Samma beteckigar som vid kofidesitervall för differes mella två populatiosmedelvärde: Medelvärde

Läs mer

Högskoleutbildad 0,90*0,70=0,63 0,80*0,30=0,24 0,87 Ej högskoleutbildad 0,07 0,06 0,13 0,70 0,30 1,00

Högskoleutbildad 0,90*0,70=0,63 0,80*0,30=0,24 0,87 Ej högskoleutbildad 0,07 0,06 0,13 0,70 0,30 1,00 Lösigsförslag UPPGIFT 1 Kvia Ma Högskoleutbildad 0,90*0,70=0,63 0,80*0,30=0,24 0,87 Ej högskoleutbildad 0,07 0,06 0,13 0,70 0,30 1,00 Pr(ej högskoleutbildad kvi=0,07=7% Pr(högskoleutbildad)=0,87 c) Pr(Kvi*Pr(Högskoleutbildad)=0,70*0,87=0,609

Läs mer

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 5

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 5 Fiasiell Statistik (GN, 7,5 hp,, HT 8) Föreläsig 5 HYPOTESPRÖVNING (LLL Kap 11) Departmet of Statistics (Gebreegus Ghilagaber, PhD, Associate Professor) Fiacial Statistics (Basic-level course, 7,5 ECTS,

Läs mer

101. och sista termen 1

101. och sista termen 1 Lektio, Evariabelaalys de ovember 999 5.. Uttryck summa j uta summasymbole. j + Termera är idexerade frå j = till j = och varje term är blir j j+. Summa Skriver vi upp summa uta summasymbole blir de +

Läs mer

Grundläggande matematisk statistik

Grundläggande matematisk statistik Grudläggade matematisk statistik Puktskattig Uwe Mezel, 2018 uwe.mezel@slu.se; uwe.mezel@matstat.de www.matstat.de Saolikhetsteori: Saolikhetsteori och statistikteori vad vi gjorde t.o.m. u vi hade e give

Läs mer

F10 ESTIMATION (NCT )

F10 ESTIMATION (NCT ) Stat. teori gk, ht 2006, JW F10 ESTIMATION (NCT 8.1-8.3) Ordlista till NCT Iferece Parameter Estimator Estimate Ubiased Bias Efficiecy Cofidece iterval Cofidece level (Studet s) t distributio Slutledig,

Läs mer

En utvärdering av två olika sätt att skatta fördelningen till stickprovsmedelvärden från olikfördelade data - normalapproximation kontra resampling

En utvärdering av två olika sätt att skatta fördelningen till stickprovsmedelvärden från olikfördelade data - normalapproximation kontra resampling utvärderg av två olka sätt att skatta fördelge tll stckprovsmedelvärde frå olkfördelade data - ormalapproxmato kotra resamplg av Adreas Holmström xamesarbete matematsk statstk Umeå uverstet, Hadledare:

Läs mer

Tentamen Metod C vid Uppsala universitet, , kl

Tentamen Metod C vid Uppsala universitet, , kl Tetame Metod C vid Uppsala uiversitet, 160331, kl. 08.00 12.00 Avisigar Av rättigspraktiska skäl skall var och e av de tre huvudfrågora besvaras på separata pappersark. Börja alltså på ett ytt pappersark

Läs mer

x 1 x 2 x 3 x 4 x 5 x 6 HL Z x x x

x 1 x 2 x 3 x 4 x 5 x 6 HL Z x x x Uppgift 1 a) Vi iför slackvariabler x 4, x 5 och x 6 och löser problemet med hjälp av simplexalgoritme. Z -2-1 1 0 0 0 0 x 4 1 1-1 1 0 0 20 x 5 2 1 1 0 1 0 30 x 6 1-1 2 0 0 1 10 x 1 blir igåede basvariabel

Läs mer

ENDIMENSIONELL ANALYS B1 FÖRELÄSNING VI. Föreläsning VI. Mikael P. Sundqvist

ENDIMENSIONELL ANALYS B1 FÖRELÄSNING VI. Föreläsning VI. Mikael P. Sundqvist Föreläsig VI Mikael P. Sudqvist Aritmetisk summa, exempel Exempel I ett sällskap på 100 persoer skakar alla persoer had med varadra (precis e gåg). Hur måga hadskakigar sker? Defiitio I e aritmetisk summa

Läs mer

b) Bestäm det genomsnittliga antalet testade enheter, E (X), samt även D (X). (5 p)

b) Bestäm det genomsnittliga antalet testade enheter, E (X), samt även D (X). (5 p) Avd Matematisk statistik TENTAMEN I SF922, SF923 och SF924 SANNOLIKHETSTEORI OCH STATISTIK, TISDAGEN DEN 29:E MAJ 208 KL 0800 300 Examiator för SF922/SF923: Tatjaa Pavleko, 08-790 84 66 Examiator för SF924:

Läs mer

Uppgift 1. Produktmomentkorrelationskoefficienten

Uppgift 1. Produktmomentkorrelationskoefficienten Uppgift 1 Produktmomentkorrelationskoefficienten Både Vikt och Längd är variabler på kvotskalan och således kvantitativa variabler. Det innebär att vi inte har så stor nytta av korstabeller om vi vill

Läs mer

Tentamentsskrivning: Tillämpad Statistik 1MS026 1

Tentamentsskrivning: Tillämpad Statistik 1MS026 1 Tetametsskrivig: Tillämpad Statistik 1MS026 1 Tetamesskrivig i Tillämpad Statistik 1MS026 Tid: de 7 mars, 2012 kl 8:00-13:00 Examiator och jour: Erik Broma, mob. 073 7320791, Hjälpmedel: miiräkare, formelsamlig

Läs mer

Ekvationen (ekv1) kan beskriva vågutbredning, transversella svängningar i en sträng och andra fysikaliska förlopp.

Ekvationen (ekv1) kan beskriva vågutbredning, transversella svängningar i en sträng och andra fysikaliska förlopp. VÅGEKVATIONEN Vi betratar följade PDE u( u( x t, där > är e ostat, x, t (ev) Evatioe (ev) a besriva vågutbredig, trasversella svägigar i e sträg och adra fysialisa förlopp Radvärdesproblemet består av

Läs mer

REGRESSIONSANALYS S0001M

REGRESSIONSANALYS S0001M Matematk Kerst Väma 9--4 REGRESSIONSANALYS SM INNEHÅLL. Iledg.... Ekel regressosaalys... 3. Udersökg av modellatagadea...7 4. Korrelatoskoeffcet.... Kofdestervall för förvätat Y-värde...3 6. Progostervall...4

Läs mer

3-fastransformatorn 1

3-fastransformatorn 1 -fastrasformator TRANSFORMATORN (-fas) A B C N φa φb φc rimärsida N E -fastrasformator består i pricip av st -fastrasformatorer som är sammaopplade. Seudärsida N YNy trafo. a b c KOLNGSSÄTT rimärsida a

Läs mer

4.2.3 Normalfördelningen

4.2.3 Normalfördelningen 4.2.3 Normalfördelige Biomial- och Poissofördelige är två exempel på fördeligar för slumpvariabler som ka ata ädligt eller uppräkeligt måga olika värde. Sådaa fördeligar sägs vara diskreta. Ofta är ett

Läs mer

Föreläsning G70, 732G01 Statistik A. Föreläsningsunderlagen är baserade på underlag skrivna av Karl Wahlin

Föreläsning G70, 732G01 Statistik A. Föreläsningsunderlagen är baserade på underlag skrivna av Karl Wahlin Föreläsig 5 73G70, 73G01 Statistik A Föreläsigsuderlage är baserade på uderlag skriva av Karl Wahli Kapitel 5 Stickprovsteori Sid 15-150 Statistisk iferes Populatio (äve målpopulatio) = de (på logisk väg

Läs mer

1. a Vad menas med medianen för en kontinuerligt fördelad stokastisk variabel?

1. a Vad menas med medianen för en kontinuerligt fördelad stokastisk variabel? Tentamenskrvnng: TMS45 - Grundkurs matematsk statstk och bonformatk, 7,5 hp. Td: Onsdag den 9 august 2009, kl 08:30-2:30 Väg och vatten Tesen korrgerad enlgt anvsngar under tentamenstllfället. Examnator:

Läs mer

Tentamen i Statistik STG A01 (12 hp) 5 mars 2010, kl. 08.15 13.15

Tentamen i Statistik STG A01 (12 hp) 5 mars 2010, kl. 08.15 13.15 Karlstads uiversitet Fakultete för ekoomi, kommuikatio och IT Statistik Tetame i Statistik STG A0 ( hp) 5 mars 00, kl. 08.5 3.5 Tillåta hjälpmedel: Bifogad formel- och tabellsamlig (skall retureras) samt

Läs mer

Sannolikhetslära. c 2015 Eric Järpe Högskolan i Halmstad

Sannolikhetslära. c 2015 Eric Järpe Högskolan i Halmstad Saolikhetslära c 201 Eric Järpe Högskola i Halmstad Saolikhetslära hadlar om att mäta hur saolikt (dvs hur ofta ) ma ka förväta sig att ågot iträffar. Därför sorterar saolikhetslära uder de matematiska

Läs mer

Lösningar och kommentarer till uppgifter i 1.1

Lösningar och kommentarer till uppgifter i 1.1 Lösigar och kommetarer till uppgifter i. 407 d) 408 d) 40 a) 3 /5 5) 5 3 0 ) 0) 3 5 5 4 0 6 5 x 5 x) 5 x + 5 x 5 x 5 x 5 x + 5 x 40 Om det u är eklare så här a x a 3x + a x) a 4x + 43 a) 43 45 5 3 5 )

Läs mer

Normalfördelningens betydelse. Sannolikhet och statistik. Täthetsfunktion, väntevärde och varians för N (µ, σ)

Normalfördelningens betydelse. Sannolikhet och statistik. Täthetsfunktion, väntevärde och varians för N (µ, σ) Normalfördeliges betydelse Empirisktse gur: måga storheter approximativt ormalfördelade Summa av måga ugefär oberoede och ugefär likafördelade s.v. är approximativt ormalfördelad CGS Exempel: mätfel =

Läs mer

Analys av polynomfunktioner

Analys av polynomfunktioner Aals av polomfutioer Aals36 (Grudurs) Istuderigsuppgifter Dessa övigar är det tät du sa göra i aslutig till att du läser huvudtete. De flesta av övigara har, om ite lösigar, så i varje fall avisigar till

Läs mer

Lösningar till SPSS-övning: Analytisk statistik

Lösningar till SPSS-övning: Analytisk statistik UMEÅ UNIVERSITET Statistiska institutionen 2006--28 Lösningar till SPSS-övning: Analytisk statistik Test av skillnad i medelvärden mellan två grupper Uppgift Testa om det är någon skillnad i medelvikt

Läs mer

Tentamen i matematisk statistik

Tentamen i matematisk statistik Tetame i matematisk statistik Uppgift : På e arbetsplats skadades % av persoale uder ett år. 60% av alla skadade var mä. 0% av alla aställda var kvior. Är det maliga eller kviliga aställda som löper störst

Läs mer

Linköpings tekniska högskola IKP/Mekaniksystem Mekanisk värmeteori och strömningslära. Exempeltentamen 3. strömningslära, miniräknare.

Linköpings tekniska högskola IKP/Mekaniksystem Mekanisk värmeteori och strömningslära. Exempeltentamen 3. strömningslära, miniräknare. Exempeltetame 3 (OBS! De a te ta m e ga vs i a ku rse delvis bytte i eh å ll. Vis s a u ppgifter s om i te lä gre ä r a ktu ella h a r dä rför ta gits bort, vilket m edför a tt poä gs u m m a ä r < 50.

Läs mer

= (1 1) + (1 1) + (1 1) +... = = 0

= (1 1) + (1 1) + (1 1) +... = = 0 TALFÖLJDER OCH SERIER Läs avsitte - och 5 Lös övigara, abcd, 4, 5, 7-9, -5, 7-9, -abcd, 4, 5 Läsavisigar Avsitt Defiitioe av talföljd i boe är ågot ryptis, me egetlige är det ågot väldigt eelt: e talföljd

Läs mer

f(x i ) Vi söker arean av det gråfärgade området ovan. Området begränsas i x-led av de två x-värdena där kurvan y = x 2 2x skär y = 0, d.v.s.

f(x i ) Vi söker arean av det gråfärgade området ovan. Området begränsas i x-led av de två x-värdena där kurvan y = x 2 2x skär y = 0, d.v.s. Dg. Remsummor och tegrler Rekommederde uppgfter 5.. Del upp tervllet [, 3] lk stor deltervll och väd rektglr med dess deltervll som bs för tt beräk re v området uder = +, över =, smt mell = och = 3. V

Läs mer

Kombinatorik. Torbjörn Tambour 21 mars 2015

Kombinatorik. Torbjörn Tambour 21 mars 2015 Kombiatori Torbjör Tambour mars 05 Kombiatori är de del av matematie som sysslar med frågor av type På hur måga sätt a ma? Några gasa typisa exempel är följade: På hur måga olia sätt a åtta persoer bilda

Läs mer

z Teori z Hypotesgenerering z Observation (empirisk test) z Bara sanningen : Inga falska teser z Hela sanningen : Täcker alla sanna teser

z Teori z Hypotesgenerering z Observation (empirisk test) z Bara sanningen : Inga falska teser z Hela sanningen : Täcker alla sanna teser Teoribildig Översikt forskigsmetodik Mål för veteskape: Att kostruera bättre och bättre teorier De veteskapliga processe z Teori z Hypotesgeererig z Observatio (empirisk test) z Abduktio (det observerade

Läs mer

Centrala gränsvärdessatsen

Centrala gränsvärdessatsen Arm Hallovc: EXTRA ÖVNINGAR Cetrala gräsvärdessatse Cetrala gräsvärdessatse Vätevärdet och varase för e ljär kombato av stokastska varabler beräkas elgt följade: S Låt c, c,, c vara kostater,,,, stokastska

Läs mer

Sannolikheter 0 < P < 1. Definition sannolikhet: Definition sannolikhet: En sannolikhet kan anta värden från 0 till 1

Sannolikheter 0 < P < 1. Definition sannolikhet: Definition sannolikhet: En sannolikhet kan anta värden från 0 till 1 Saolikheter E saolikhet ka ata värde frå 0 till 1 0 < P < 1 Beteckas: P Pr Prob Saolikhete för e hädelse Hädelse A P(A) Pr(A) Prob(A) Defiitio saolikhet: De frekves med vilke hädelse av itresse iträffar

Läs mer

Betygsgränser: För (betyg Fx).

Betygsgränser: För (betyg Fx). Tetame TEN, HF2, 4 jui 2 Matematis statisti Kursod HF2 Srivtid: 3:-7: : Lärare och examiator : Armi Halilovic Hjälmedel: Bifogat formelhäfte ("Formler och tabeller i statisti ") och miiräare av vile ty

Läs mer

Datorövning 2 Fördelningar inom säkerhetsanalys

Datorövning 2 Fördelningar inom säkerhetsanalys Luds tekiska högskola Matematikcetrum Matematisk statistik STATISTISKA METODER FÖR SÄKERHETSANALYS FMS065, HT-15 Datorövig 2 Fördeligar iom säkerhetsaalys I dea datorövig ska vi studera ågra grudläggade

Läs mer

Lycka till och trevlig sommar!

Lycka till och trevlig sommar! UMEÅ UNIVERSITET Isttutoe för matematsk statstk Statstk för lärare, MSTA38 Lef Nlsso TENTAMEN 07-05-3 TENTAMEN I MATEMATISK STATISTIK Statstk för lärare, 5 poäg Skrvtd: 09.00-5.00 Tllåta hjälpmedel: Tabellsamlg,

Läs mer

Föreläsning G70 Statistik A

Föreläsning G70 Statistik A Föreläsig 7 73G70 Statistik A Hypotesprövig för jämförelse av populatiosadelar Krav: vi har dragit två OSU p( p) > 5 för båda stickprove Steg : Välj sigifikasivå och formulera hypoteser H 0 : π - π = d

Läs mer

Följande begrepp används ofta vid beskrivning av ett statistiskt material:

Följande begrepp används ofta vid beskrivning av ett statistiskt material: Armi Halilovic: EXTRA ÖVNINGAR Besrivade statisti BESKRIVANDE STATISTIK. GRUNDBEGREPP Följade begrepp aväds ofta vid besrivig av ett statistist material: LÄGESMÅTT (medelvärde, media och typvärde): Låt

Läs mer

Vad är det okända som efterfrågas? Vilka data är givna? Vilka är villkoren?

Vad är det okända som efterfrågas? Vilka data är givna? Vilka är villkoren? Problemlösig. G. Polya ger i si utmärkta lilla bok How to solve it (Priceto Uiversity press, 946) ett schema att följa vid problemlösig. I de flod av böcker om problemlösig som har följt på Polyas bok

Läs mer

SANNOLIKHETER. Exempel. ( Tärningskast) Vi har sex möjliga utfall 1, 2, 3, 4, 5 och 6. Därför är utfallsrummet Ω = {1, 2, 3, 4, 5,6}.

SANNOLIKHETER. Exempel. ( Tärningskast) Vi har sex möjliga utfall 1, 2, 3, 4, 5 och 6. Därför är utfallsrummet Ω = {1, 2, 3, 4, 5,6}. rmi Halilovic: EXTR ÖVIGR SOLIKHETER GRUDLÄGGDE BEGRE OH BETEKIGR Utfall Resultat av ett slumpmässigt försök. Utfallsrummet ägde av alla utfall (beteckas oftast med Ω ). Hädelse E delmägd av utfallsrummet.

Läs mer

DATORÖVNING 3: MER OM STATISTISK INFERENS.

DATORÖVNING 3: MER OM STATISTISK INFERENS. DATORÖVNING 3: MER OM STATISTISK INFERENS. START Logga in och starta Minitab. STATISTISK INFERENS MED DATORNS HJÄLP Vi fortsätter att arbeta med datamaterialet från datorävning 2: HUS.xls. Som vi sett

Läs mer

UPPSKATTNING AV INTEGRALER MED HJÄLP AV TVÅ RIEMANNSUMMOR. Med andra ord: Vi kan approximera integralen från båda sidor

UPPSKATTNING AV INTEGRALER MED HJÄLP AV TVÅ RIEMANNSUMMOR. Med andra ord: Vi kan approximera integralen från båda sidor Armi Halilovic: EXTRA ÖVNINGAR Summor och itegraler UPPSKATTNING AV INTEGRALER MED HJÄLP AV TVÅ RIEMANNSUMMOR Om vi betratar e futio ff() som är otiuerlig i itervallet [aa, bb] då atar futioe sitt mista

Läs mer

Tentamen i Statistik, STA A13 Deltentamen 2, 5p 5 juni 2004, kl

Tentamen i Statistik, STA A13 Deltentamen 2, 5p 5 juni 2004, kl Karlstads uiversitet Istitutioe för iformatiostekologi Avdelige för statistik Tetame i Statistik, STA A13 Deltetame, 5p 5 jui 004, kl. 09.00-13.00 Tillåta hjälpmedel: Asvarig lärare: Övrigt: Bifogad formel-

Läs mer

Lösning till tentamen för kursen Log-linjära statistiska modeller 29 maj 2007

Lösning till tentamen för kursen Log-linjära statistiska modeller 29 maj 2007 STOCKHOLMS UNIVERSITET MS 3150 MATEMATISKA INSTITUTIONEN TENTAMEN Avd. Matematisk statistik 29 maj 2007 Lösig till tetame för kurse Log-lijära statistiska modeller 29 maj 2007 Uppgift 1 a Modelle uta ågra

Läs mer