F6 Uppskattning. Statistikens grunder 2 dagtid. Beteckningar, symboler, notation. Grekiskt-romerskt
|
|
- Ebba Hansson
- för 5 år sedan
- Visningar:
Transkript
1 F6 Uppskattig Statistikes gruder dagtid HT 01 Vi skattar populatiosparametrar (modellparametrar med olika statistikor: E. stickprovs- -medelvärdet X skattar μ -variase S skattar -adele P skattar π Kallas för puktskattigar. Grekiskt-romerskt Ofta me ite alltid: Grekiska bokstäver aväds för parametrar E. μ,, π, τ Romerska versaler för stokastiska variabler, t.e. statistikor som skattar parametrar (etimatorer E. X, S, P, T Romerska gemeer för observerade värde E., s, p, t eteckigar, symboler, otatio Måga område är vaa vid sia sätt att betecka Det viktigaste är att alltid ta reda på vad som avses och hur de olika beteckigara defiieras. Väldigt valig beteckig för estimatorer är tak-symbole ^ E. μ skattas med μ ^ skattas med ^ ^ V(X skattas med V(X 1
2 Osäkerhet i skattigar Vätevärdesriktighet 1 E statistika som väljs för att skatta e parameter är e s.v. Om dea har e stor varias så är det större saolikhet att de ska hama lågt bort dvs. stor osäkerhet Om de har e lite varias så är saolikhete relativt sett midre att de ska hama lågt bort dvs. lite osäkerhet Jämför med Figur 16.1 sid 5 Eg. ubiased När vätevärdet för estimator (dvs. statistika är just de parameter vi skattar (estimerar Vi hade seda förut att alltså är X e vvr-skattig för μ Hur är det med S är de vvr? Vi defiierade C -1 S ( E( X μ ~ χ ( -1 Vätevärdesriktighet Kosistes Vi vet C ~ χ ( -1 E( C 1 E( C E( S E( S ( -1 ( -1 1 ( -1 alltså är S e vvr-skattig för E( S ( -1 Lite löst: När variase för estimator (dvs. statistika går mot oll är Osäkerhete miskar ju mer ifo vi har Vi hade reda att V(X = / alltså är X e kosistet skattig för μ Hur är det med S?
3 Överkurs? Skatta μ Vi vet C ~ χ ( -1 V( C ( -1 Vätevärdesriktig (eg. ubiased och osäkerhet V( C V( V( S 1 S ( ( -1 ( V( S 4-1 ( -1 alltså är S e kosistet estimator för Skatta μ Osäkerhetsitervall Dra ett stickprov av storlek frå e ormalfördelad populatio med käd varias Vi aväder X som puktskattig för μ Vi vill uttala oss om osäkerhete krig puktskattige. X ~ N(μ, X -μ Z ~ N(0,1 Saolikhete att X hamar i itervallet μ 1,96 P(μ -1,96 P(-1,96 X μ 1,96 X -μ 1,96 0,95 yt plats på X och μ, dvs. låt gräsera för itervallet vara slumpmässiga P(μ -1,96 P( X 1,96 0,95 X μ 1,96 μ X 1,96 3
4 Saolikhete att ligga i ett itervall Stokastiska itervall Upprepade stickprov ger olika medelvärde 95 % saolikhet att X hamar i itervallet 95 % av alla möjliga itervall täcker μ Ma skattar ett itervall, ite bara e pukt Fördelig för stick- provsmedelvärdet X µ / µ / rea = 0.95 µ.5% av alla stickprovs- medelvärde hamar här.5% av alla stickprovsmedelvärde hamar här / µ / 95% av alla stickprovsmedelvärde hamar här Stickprovsmedelvärde här ger KI som INTE täcker i µ Stickprovsmedelvärde här ger KI som täcker i µ Stickprovsmedelvärde här ger KI som INTE täcker i µ Lägg itervallet rut det observerade istället! Jämför med Figur 16. sid 8 Eempel och övigar 1 Eempel och övigar I ett slumpmässigt stickprov med = 16 observatioer frå e ormalfördelig med stadardavvikelse s = 6 observerades = 5. Skatta μ och ge ett 95 % KI för skattige 16; 5; z 0,05 1,96 5 1,96 5, el. (,06, 7,94 Se stycke bilar av ett visst märke och årsmodell udersöktes map besiför-brukige. Ma observerade ett medel-värde = 19,48 och varias = 0,96 (US-mått! Skatta μ och ge ett 95 % KI för skattige 6; 19,48; s t (5 0,05,571 19,48,571 19,48 1,084 0,96 6 el (18,45, 0,51 4
5 Skatta e adel 1 Skatta e adel Ma vill skatta adele π av e populatio eller grupp som besitter e viss egeskap: Ska rösta på ett visst parti or i villa Vill ite vara med i udersökige Överlever ett eperimet dele gåger jag vier i poker Se det också som utfall frå e modell eller fördelig: eroulli-försök lyckas - misslyckas X i ~ eroulli(π, i = 1,,, Y = summa av X i Y ~ i(,π Vätevärde E(Y = π Varias V(Y = π(1- π Eligt CGS: Y N(π, π(1- π P Y X N(π, π(1-π Me vi vet ite vad π är så vad gör vi är vi ska beräka variase som ju behövs till KI? Formel: K.I. för π Eempel och övigar 4 5. Y ~ i(,π, biomialfördelad ( = atal observatioer och saolikhet π att ett objekt har egeskape vars adel i vill skatta y ( y/ (1- y/ z α/ p(1- p p zα/, p y Tabell väd det äst bästa, dvs. det observerade värdet p = 344 företag tillfrågades om deras policy för gåvor till iköpara frå leveratörer. Y = 83 företag hade e policy, 61 hade ige policy. Skatta adele företag som har e policy och ge ett 90 % KI för skattige ; p 0,41; z0,05 1, ,41 1,645 0,41 0,038 0,41 0, el. (0,03, 0,79 alt. (0,3 %, 7,9 % 5
6 Ädliga populatioer 1 Ädliga populatioer När ma drar med återläggig påverkas ite ästa dragig av tidigare dragigar Oberoede När ma drar uta återläggig påverkas ästa dragig; om ett objekt reda dragits ka de ite observeras ige eroede Om vi låter N som är ett ädligt tal och urvalet sker uta återläggig (typiskt då kommer osäkerhete krig populatios-medelvärdet miska. äve adra populatiosparametrar När = N fis ju ige osäkerhet! Variase måste justeras Detta påverkar utfallsrummet av möjliga stickprov Ädliga populatioer 3 Kofidesitervall Varias om N eller om urvalet sker med återläggig: V( X Varias om N är ädligt och om urvalet sker uta återläggig V( X N - N -1 N - 0 är N N -1 Ädlig populatioskorrektio eg. fiite populatio correctio or fpc Notera att för givet värde på så bestäms itervallets lägd, dvs. felmargiale, av Kofidesgrade 95 % ger oss värdet 1,96 (Tabell Vilket värde skulle vi få vid 90 %? 99 %? Stickprovsstorleke eftersom V( X större stickprov mer iformatio 6
7 Dimesioera urvalsstlk Dimesioera urvalsstlk Om ma vill få bättre skattigar dvs. skattigar med midre osäkerhet dvs. smalare KI vad ska vi göra? Större stickprov! Hur stort? Nyquist avsitt 16.5 tag att vi ska skapa ett KI t.e. μ ^ ± felmargial me vi vill att felmargial < Eempelvis för ormalfördelig med käd varias Vi vill att zα/ Lös ut : z α/ E: atag att vi vill ha ett 95 % KI där = 10 och felmargiale får högst vara ±. Isättig ger 10 1,96 96,04 Sätt = 97 F7 Sammafattig Formel: K.I. för π Estimatorer (statistikor, s.v. skattar parametrar E estimatator har e fördelig; vätevärde & varias Det observerade värdet blir e puktskattig Osäkerhete formuleras som ett osäkerhetsitervall. Puktskattig ± felmargial Felmargiale bestäms av variase och kofidesgrade 5. Y ~ i(,π, biomialfördelad ( = atal observatioer och saolikhet π att ett objekt har egeskape vars adel i vill skatta CGS y ( y/ (1- y/ z α/ p(1- p p zα/, p y Tabell väd det äst bästa, dvs. det observerade värdet p 7
8 Ädliga populatioer Dimesioera urvalsstlk Varias om N eller om urvalet sker med återläggig: V( X Varias om N är ädligt och om urvalet sker uta återläggig V( X N - N -1 N - 0 är N N -1 Ädlig populatioskorrektio eg. fiite populatio correctio or fpc Eempelvis för ormalfördelig med käd varias Vi vill att zα/ Lös ut : z α/ vruda högerledet uppåt till ärmaste heltal Ka äve (se Nyqvist kombieras för fallet med ädlig populatio Eempel och övig Eempel och övig, forts Totalt 73 baktjästemä tillfrågades om de asåg att det förekom prais i deras brasch som de asåg vara oetisk varav 39 svarade ej. Skatta adele som aser att det ite förekommer oetisk verksamhet och ge ett 95 % KI för skattige. Lösig: Först, motivera val av metod. Ka vi aväda CGS? Är = 73 tillräckligt stort? Tumregel > 30 Vi atar att 73 är tillräckligt stort (om ite aat så för att geomföra övige och sätter vår tillit till CGS. Ställ upp igåede storheter, formel som aväds och utför beräkige: 39 73; p 0,534; z0,05 1,96 73 p(1- p p z α/ 0,534 1,96 0,534 (1-0, ,534 ± 0,114 el. (4,0 %, 64,8 % 8
9 Eempel och övig, forts Eempel och övig, forts Nu fick ma (i efterhad veta att det rörde sig om e eda (lite bak och att atalet aställda baktjästemä (som igår i populatioe är N = 184. Vi gör om beräkige: p z α/ Urvalsfraktioe är 73/184 = ca 40 % fpc = korrektio för ädlig populatio 0,534 (1-0, ,534 1, ,534 ± 0,0891 el. (44,5 %, 6,3 % tt jämföra med (4,0 %, 64,8 % Nu vill ma utöka studie till samtliga baker och baktjästemä. Vi atar u att N och aväder valiga formel. Hur stort stickprov krävs om vi vill ha e felmargial som är midre ä 0,05? Dvs. z α/ Sätt p = 0,5 (värsta fallet och ite heller orealistiskt med ledig av de första studie. Isättig ger p(1- p N - N -1 p(1- p 0,05 p(1- p 0,5 1,96 0,05 zα/ 384,16 Svar: Sätt stickprovsstorleke = 385 Slutsats av övige? Hypotesprövig I eemplet yss blev puktskattige för adele π lika med 53,4 %. Ka ma därmed påstå att fler ä hälfte aser att det ite råder oetisk prais i bakbrasche? Notera att KI i första fallet (oädlig pop blev (4,0 %, 64,8 % Detta itervall täcker 50 % Kaske slumpe (stickprovsdragige orsakade att det blev e lite majoritet? tt pröva påståede som dea med statistiska metoder. ehadlas i Nyqvist Kap 17. Formulera ett grudatagade, e s.k. ollhypotes som beteckas H 0 Pröva om data stöder detta atagade geom att jämföra mot e alterativ hypotes som beteckas H 1 eller H 9
10 Popper & falsifierbarhet Eempel Karl Popper och Thuré Kap 17 Jag har i hela mitt liv edast observerat vita svaar me jag har ädå iget absolut bevis för mi hypotes att alla svaar är vita. Me, så fort jag observerar e aa sorts sva är hypotese direkt och absolut motbevisad. Popper: ma ka aldrig verifiera e hypotes bara falsifiera de. E icke-falsifierad hypotes blir som bäst e provisorisk saig. Iga empiriska saigar är säkra! E perso påstår att ha med förbuda ögo ka avgöra om det blir kroa eller klave vid kast med myt. Hur ska vi testa detta påståede? Förslag: Geomför ett eperimet med 1 kast och låt X betecka rätt atal gissade utfall. Vi atar vidare att det är lika stor saolikhet för kroa som för klave. Hur är X fördelad? Eempel, forts. Eempel, forts. 1 oberoede kast med saolikhet p för rätt svar, alltså är X i(1,p. Om persoe bara gissar borde ha i sitt bara få hälfte rätt, dvs. p = ½ Om p = 1 så kommer persoe att svara rätt varje gåg. E ollhypotes att börja med är p = ½, dvs. persoe i fråga gissar. Vi är m.a.o. skeptiska, vi vill se tydliga bevis för att ha klarar detta ia vi överger ollhypotese! Uder atagadet att p = ½ borde de flesta hama rut p = 6 rätt. eslutsregel: E observatio som är tillräckligt stort, säg c, borde medföra att ma förkastar grudhypotese att ha bara gissar. Hur stort ska vi välja c? 10
11 Eempel, forts. Formulera hypoteser Vi kallar c e kritisk gräs. Observatiosområdet där ma förkastar ollhypotese (här c kallas allmät det kritiskt området. eräka saolikhetera för att observera X c för ågra olika c: c P(X c 0,806 0,618 0,387 0,1938 c P(X c 0,0730 0,0193 0,003 0,000 Två komplemetära påståede: tige accepterar vi de ea Eller så förkastar vi de (accepterar motsatse Nyqvists eempel sid 1-7 fis två möjligheter: μ = 00 eller μ = 0 Föregåede eempel fis två möjligheter: H 0 : Ha är ite sysk (p = 0,5 H : Ha är ite sysk (p > 0,5 Defiiera ett test 1 Defiiera ett test Varje test har e teststatistika (testvariabel. Dea är typiskt baserad på de statistika ma aväder som puktskattig för parameter i fokus, dvs. de parameter som ma vill testa. Typiskt vet ma hur de är fördelad uder ollhypotese. Uttrycket uder ollhypotese betyder att vi utgår ifrå att de är sa. E. Vi vill testa μ. X aväds som puktskattig ta att observatioera är iid ormalfördelade med käd varias ta att ollhypotese är H 0 : μ = μ 0 Uder ollhypotese gäller (μ, X -μ0 X ~ N 0 Z ~ N(0,1 11
12 Defiiera ett test 3 Feltyper Defiitioe av ett kritiska område som vi ka betecka C baseras på: teststatistikas fördelig mothypotese sigifikasivå α Hur? Va? Observatio: Z = z obs. Om z obs ite ligger i C, accepteras H 0 ligger i C, förkastas H 0 Sakeras tillståd ka vara e av två; atige är H 0 sa eller falsk. Vi ka fatta ett av två möjliga beslut; ma atige accepterar el. förkastar H 0 Kosekves Situatio eslut H 0 sa H 0 falsk cceptera H 0 Rätt beslut Typ II fel Förkasta H 0 Typ I fel Rätt beslut Sigifikasivå Sigifikas och styrka Sigifikasivå eller felrisk P(Feltyp I = P(förkasta H 0 H 0 sa = α vill ma ska vara lite, ära oll Testets styrka P(förkasta H 0 H 0 falsk = 1 β vill ma ska vara stor, ära ett P(Feltyp II = β Vi betigar på saige, de faktiska situtatioe: Saolikhet Faktisk situatio eslut H 0 sa H 0 falsk cceptera H 0 1 α β Förkasta H 0 α 1 β Lägg märke till att saolikhetera är betigade på de faktiska situatioe 1
13 Dubbel- och ekelsidiga Dubbelsidigt test Första variate av test berör edast e ekel parameter, t.e. H 0 : μ = μ 0 där μ₀ är ågot tal. Mothypotese avgör typ av test: Dubbelsidigt test H 1 : μ μ 0 Ekelsidiga test H 1 : μ < μ 0 el. H 1 : μ > μ 0 Nollhypotes och dubbelsidig mothypotes: H 0 : μ = μ 0 H 1 : μ μ 0 Testvariabel är de statistika som skattar μ: X ~ N(μ, 0 eller ormaliserad X -μ0 Z ~ N(0,1 tagade: Observatioera är iid ormalfördelade med käd varias Testvariabels fördelig Kritiskt område Nollhypotes och dubbelsidig mothypotes: H 0 : μ = μ 0 H 1 : μ μ 0 Testvariabel är de statistika som skattar μ: X ~ N(μ, 0 eller oftast stadardiserad X -μ0 Z ~ N(0,1 Givet att H 0 är sa, vad är saolikhete att observera X i itervallet -1,96, μ μ0 0 Uder H 0 är X ~ N(μ, hete är = 0,95. 1,96 0 så saolik- tag att ma bestämmer sig för att förkasta H 0 om ma observerar X utaför itervallet Saolikhete att förkasta H 0 givet att de är sa blir P(Feltyp I = 0,05 = α, dvs. sigifikasivå = 5% 13
14 Dubbelsidigt test, forts. F8 Mer hypotesprövig Om det observerade värdet på Z som vi för tydlighets skull beteckar z obs är tillräckligt lågt ifrå ollhypoteses värde μ 0, förkastas H 0 Kritisk edre gräs: -z α/ = -1,96 Fördelig uder H 0 : Z ~ N(0,1 1 α = 0,95 Kritisk övre gräs: z α/ = 1, Sammafattig: Två komplemetära påståede Data ger stöd ( bevis för e av dem Vi behöver: Nollhypotes och mothypotes Sigifikasivå Testvariabel och dess fördelig Ur detta får vi det kritiska området. α/ = 0,05 Vätevärde uder H 0 : α/ = 0,05 E(Z = 0 Sigifikas och styrka rbetsgåge 1 Sigifikasivå eller felrisk P(Feltyp I = P(förkasta H 0 H 0 sa = α Testets styrka P(förkasta H 0 H 0 falsk = 1 β P(Feltyp II = β Saolikhet & kosekves Faktisk situatio eslut H 0 sa H 0 falsk cceptera H 0 Förkasta H 0 1 α rätt α Feltyp I β Feltyp II 1 β rätt 1. Förutsättigar / atagade: Ett stickprov av storlek = 36 frå e ormalfördelig med käd varias = 9. Nollhypotes: H 0 : μ = 5 3. Mothypotes: H 1 : μ 5 4. Sigifikasivå / felrisk: α = 5% 5. Teststatistika / testvariabel: X -μ0 Z 14
15 rbetsgåge rbetsgåge 3 6. Fördelig: Uder de giva förutsättigara och uder H 0 gäller att Z N(0,1. Om särskilda atagade behövs, ages dessa, t.e. "eligt CGS så är Z approimativt N(0,1. 7. Kritiskt värde/område: Vi förkastar H 0 om vi observerar z obs > 1.96 = z 0,05 Detta är ekvivalet med 51, , ,0 5,98 lterativ eräkigar: = 4,01 9. Slutsats: Då = 4,01 < 4,0 förkastas H 0. Det observerade medelvärdet är sigifikat skilt frå 5 på 5%-ivå. Data stöder ite påståedet att μ = 5. lterativ. 8. eräkigar: = 4,03 9. Slutsats: Då 4.0 < < 5.98 ka H 0 ite förkastas. Det observerade medelvärdet är ite sigifikat skilt frå 5 på 5%-ivå. Det fis ite tillräckligt stöd i data för att för att förkasta påståedet att μ = 5. Medelvärde 1 Medelvärde Fall 1: 1. X i ~ N(μ,, käd. H 0 : μ = μ 0 Fall : 1. X i ~ N(μ,, okäd. H 0 : μ = μ 0 5,6. X -μ0 Z ~ N(0,1; X ~ N(μ0, 5,6. X μ T - 0 ~ t( -1 S 7. Kritiskt område: - ekelsidigt: z obs > z α (< -z α - dubbelsidigt: z obs > z α/ 7. Kritiskt område: ( 1 ( 1 - ekelsidigt: t obs > tα (< - tα ( 1 - dubbelsidigt: t obs > t α/ Då går T Z. E del författare föreslår att ma ka väla till Z om stickprovsstorleke är tillräckligt stor. 15
16 Medelvärde 3 Medelvärde 4 Fall 3: 1. X i ~, käd, stort (CGS. H 0 : μ = μ 0 Fall 4: 1. X i ~, okäd, stort (CGS. H 0 : μ = μ 0 5,6. X Z - μ0 ~ N(0,1; X ~ N(μ0, appro appro 5,6. X -μ0 Z ~ N(0,1 appro S 7. Kritiskt område: - ekelsidigt: z obs > z α (< -z α - dubbelsidigt: z obs > z α/ 7. Kritiskt område: - ekelsidigt: z obs > z α (< -z α - dubbelsidigt: z obs > z α/ Egetlige borde testvariabel beteckas med T efter-som vi aväder S isf me T Z då. Om ma vill vara koservativ aväder ma t-fördelige trots att de ite är helt teoretiskt berättigad. Proportio / adel Jämföra grupper 1 Fall 5: 1. Y ~ i(,π, stort. H 0 : μ = μ 0 5,6. Z Y/- π π (1- π / 0 0 ~ N appro 0 ( i Y X X (0,1 7. Kritiskt område: - ekelsidigt: z obs > z α (< -z α - dubbelsidigt: z obs > z α/ Notera att variase är käd uder H 0 och att ma sätter värdet på π till ollhypoteses värde π 0. Y appron ~ π, π (1- π ( Ofta vill ma jämföra två grupper t.e. med avseede på medelvärde. ta att två grupper resp. och deras medelvärde μ resp. μ ska jämföras E typisk hypotesprövig är H 0 : μ = μ μ μ = 0 dvs. ige skillad mella och Mothypotese ka vara ekel eller dubbel: resp. H 1 : μ > μ μ μ > 0 H 1 : μ μ μ μ 0 16
17 Jämföra grupper Gruppjämförelse 1 Ma tar ett stickprov frå båda grupper, oberoede lika fördelade (iid observatioer iom respektive grupp. De två stickprove är oberoede sisemella. Detta medför dels att X ~ N(μ, X ~ N(μ, och dels att E( X X μ μ V( X X Fall 6: 1. X,i ~N(μ,, X,i ~N(μ, och käda. H 0 : μ μ = δ 0 5,6. Z X 7. Kritiskt område: - se fall 1 - X -δ 0 ~ N Valigast är og δ 0 = 0 (0,1 X X ~ N(μ μ, Gruppjämförelse Gruppjämförelse 3 Fall 7: 1. X,i ~, X,i ~ ;, okäda, stora (CGS. H 0 : μ μ = 0 Fall 8: 1. X,i ~N(μ,, X,i ~N(μ, = me okäda. H 0 : μ μ = 0 Viktigt att komma ihåg 5,6. Z S X - X - 0 ~ appro S N(0,1 5,6. X - X - 0 T ~ t( S 1 1 p - 7. Kritiskt område: - se fall 1 7. Kritiskt område: - se fall Äve här kaske betecka med T isf Z eftersom vi aväder S isf me T Z då. Om ma vill vara koservativ ka ma aväda t-fördelige trots att de ite är heller här är helt teoretiskt berättigad. 17
18 Poolad variasskattig Jämföra adelar Ma atar att variasera är lika i båda gruppera. E skattig för de variase ges av Fall 9: Y ~i(,π, Y ~i(,π oberoede stickprov Nollhypotes: H 0 : π π = 0 S p ( -1 S ( -1 S - Testvariabel: Z ( Y Y Y - (1- Y - 0 Y Y ( 1 1 ~ N(0,1 Ekelsidigt, dubbelsidigt och kritiska gräser, aalogt med tidigare sidor. Kom ihåg att det är CGS och Z-test. Testa behadligseffekter Parvisa differeser Ofta vill ma jämföra om t.e. e behadlig haft e effekt. Ma har ett iid stickprov av idivider som geomgått e behadlig säg. För varje idivid i stickprovet fis två mätigar: Före: X i,1 Efter: X i, De två mätigara är ite oberoede på idividivå. ilda differeser: Diff: D i = X i,1 X i, D i a är oberoede! Fall 10: 1. D i ~ N(μ D, D, D okäd. H 0 : μ D = 0 5,6. D - 0 T ~ t( -1 S D 7. Kritiskt område: - se fall Det går med adra värde ä 0 också Då går T Z. E del författare föreslår att ma ka väla till Z om stickprovsstorleke är tillräckligt stor. 18
19 Pust! p-värde ehöver i komma ihåg alla formler? Nej, de fis med på formelbladet Me vilka behövs eller ite beror på situatioe Det som ska läras i är är i behöver Z eller T och hur ma läser och tolkar formlera. Kritiska gräser ska i fastställa själva. Förstå strukture för test. tag att vi får e puktskattig för ågo parameter i fokus. tag att vi har e ollhypotes också. Me vi har ite bestämt ågo sigifikasivå α. tag u att de kritiska gräse likställs med puktskattige. Vad skulle det motsvara för sigifikasivå? Tar vi på mådag Övig 1 Övig 1, forts. Teta , uppgift. a 99 %-igt KI för adele π Låt Y = atalet av 1430 som svarar ja. Y ~ i(1430,π, biomialfördelad = 1430 ka ases tillräckligt stort för att motivera approimerig eligt CGS (tumregel > 30. Puktskattig p = 519/1430 = 0,36937 Ett 99 %-igt KI för π ges av p z 0,005 p(1- p 1430 (Tabell Isättig ger , ,363 ± 0,033 el. (33,0 %, 39,6 % b Hypotesprövig om π tagade reda agiva i förra deluppgifte. H 0 : π = 0,4 H 1 : π < 0,4 Sigifikasivå: Välj själva! Säg α = 0,
20 Övig 1, forts. Övig Testvariabel och dess fördelig: P - 0,4 Z ~ N(0,1 appro 0,4 0,58/1430 Kritiskt område: förkasta H 0 om z obs < -1,96 = z 0,95 z obs = 519-0, ,4 0,58/1430 = - 4,37 < -1,96 Slutsats: Vi förkastar H 0, de observerade puktskattige är sigifikat skild frå 0,4 på 5 % ivå. Teta , uppgift 5. Hypotestest med parvisa differeser; två avdeligar jämförs där de får samma åtta ärede och hadläggigstid mäts. Låt X i,j betecka hadläggigstide för ärede i =,,H och avdelig j = 1, Låt D i = X i,1 X i, Vi atar att D i ~ N(μ D, D där D okäd H 0 : μ D = 0 H 1 : μ D 0 Sigifikasivå: α = 0,05 Övig, forts. Övig, forts. Testvariabel och dess fördelig: D T ~ t(7 S D Kritiskt område: förkasta H 0 om t obs > t 0,05 (7 =,365 eräkigar: Ärede C D E F G H Σ vd vd d i d i Data ger d = -3/8 = -0,375 s d d i -( di / 1, Isättig i testvariabel ger - 0,375 t obs -0,7533 1, Slutsats: H 0 ka ite förkastas, det fis ige sigifikat skillad på 5 % ivå. 0
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 merF3 Lite till om tidsserier. Statistikens grunder 2 dagtid. Sammansatta index 4. Deflatering HT Laspeyres index: Paasche index: Index.
F3 Lite till om tidsserier Deflaterig, att justera för iflatioe tatistikes gruder dagtid 4 3,5 3,5,5 Mjölk ockerdricka HT,5 975 976 977 978 979 98 98 98 Löpade priser År Mjölk ockerdricka KPI 945 = 975,34,
Läs merFöreläsning 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 merStat. 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 merS0005M V18, Föreläsning 10
S0005M V18, Föreläsig 10 Mykola Shykula LTU 2018-04-19 Mykola Shykula (LTU) S0005M V18, Föreläsig 10 2018-04-19 1 / 15 Hypotesprövig ett stickprov, σ okäd. Stadardiserig av stickprovsmedelvärdet då σ är
Läs merF19 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 merFinansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 4 (del 1)
Fiasiell Statistik (GN, 7,5 hp,, HT 008) Föreläsig 4 (del 1) Sampligfördeligar (LLL Kap 8) Departmet of Statistics (Gebreegus Ghilagaber, PhD, Associate Professor) Fiacial Statistics (Basic-level course,
Läs merFöreläsning 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 merGrundläggande 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 merFinansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 4 (del 2)
Fiasiell Statistik (GN, 7,5 hp,, HT 008) Föreläsig 4 (del ) Pukt- och itervallskattig (LLL Kap 10) Departmet of Statistics (Gebreegus Ghilagaber, PhD, Associate Professor) Fiacial Statistics (Basic-level
Läs merF10 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 merMinsta 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 merIntervallskattning. 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 merFör 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(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 merAntalet sätt att välja ut r objekt bland n stycken med hänsyn till ordning är np r = n(n 1) (n r + 1).
Harald Lag Formelsamlig och Tabeller i Statistik och Saolikhetsteori (15/11-10) Datareducerig Om x 1,..., x är ett stickprov ur e populatio så defiieras medelvärdet x x = 1 k=1 x k och stadardavvikelse
Läs merTentamen 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 mer1. 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 merTMS136: 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 merLÖSNINGAR TILL. Räkningar: (z i z) 2 = , Δ = z = 1 n. n 1. Konfidensintervall:
LÖSNINGAR TILL Matematisk statistik Tetame: 2014 10 28 kl 14 00 19 00 Matematikcetrum FMS 086 Matematisk statistik för B, K, N och BME, 7.5 hp Luds tekiska högskola MASB02 Matematisk statistik för kemister,
Läs merStatistik. Språkligt och historiskt betyder statistik ungefär sifferkunskap om staten
Statistik Språkligt och historiskt betyder statistik ugefär sifferkuskap om state E Statistisk udersökig består av fyra delar: Plaerig Dataisamlig Bearbetig Beskrivade statistik (kap 1) Statistisk aalys
Läs merSkattning / Inferens. Sannolikhet och statistik. Skattning / Inferens. Vad är det som skattas?
Skattig / Iferes Saolikhet och statistik Puktskattig Försöket att beskriva e hel populatio pga ågra få mätvärde! Oberservatio = Populatio HT 2008 UweMezel@mathuuse http://wwwmathuuse/ uwe/ Populatio har
Läs merFöreläsning G70 Statistik A
Föreläsig 5 732G70 Statistik A Egeskaper hos stickprovsstatistikora Stickprovsmedelvärde Stickprovssumma Stickprovsadel Lägesmått Spridig Medelfel EX VarX 2 2 E X Var X E P Var P X X 1 1 P Eftersom respektive
Läs merIntroduktion 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 merFöreläsning 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 merFöreläsning 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 mera) Beräkna E (W ). (2 p)
Avd. Matematisk statistik TENTAMEN I SF19 och SF191 SANNOLIKHETSTEORI OCH STATISTIK, TISDAGEN DEN 13:E MARS 18 KL 8. 13.. Examiator: Björ-Olof Skytt, 8 79 86 49. Tillåta hjälpmedel: Formel- och tabellsamlig
Läs merTentamen 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 merMS-A0509 Grundkurs i sannolikhetskalkyl och statistik Exempel, del II
MS-A0509 Grudkurs i saolikhetskalkyl och statistik Exempel, del II Estimerig 2 Kofidesitervall G. Gripeberg Aalto-uiversitetet 3 februari 205 3 Hypotesprövig 4 Korrelatio och regressio G. Gripeberg Aalto-uiversitetet
Läs merZ-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 merFöreläsning 2: Punktskattningar
Föreläsig : Puktskattigar Joha Thim joha.thim@liu.se 7 augusti 08 Repetitio Stickprov Defiitio. Låt de stokastiska variablera X, X,..., X vara oberoede och ha samma fördeligsfuktio F. Ett stickprov x,
Läs merVid 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 mer4.2.3 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 merFöreläsning G04 Surveymetodik 732G19 Utredningskunskap I
Föreläsig 5 732G04 Surveymetodik 732G19 Utredigskuskap I Dages föreläsig Klusterurval Estegs klusterurval Tvåstegs klusterurval Klusterurval med PPS 2 Klusterurval De urvalsdesiger som diskuterats hittills
Läs merTentamen i Statistik, STA A10 och STA A13 (9 poäng) 26 mars 2004, klockan
Karlstads uiversitet Istitutioe för iformatiostekologi Avdelige för Statistik Tetame i Statistik, STA A10 och STA A13 (9 poäg) 6 mars 004, klocka 14.00-19.00 Tillåta hjälpmedel: Bifogad formelsamlig (med
Läs merθx θ 1 om 0 x 1 f(x) = 0 annars
Avd. Matematisk statistik TENTAMEN I SF903 SANNOLIKHETSLÄRA OCH STATISTIK FÖR 3-ÅRIG Media TIMEH TORSDAGEN DEN TREDJE JUNI 200 KL 4.00 9.00. Examiator: Guar Eglud, tel. 790 74 06 Tillåta hjälpmedel: Läroboke.
Läs merSannolikheter 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 mer2. Konfidensintervall för skillnaden mellan två proportioner.
Föreläsig 12 LV1, Torsdag 12/10 Upplägg 1. Kofidesitervall för proportioer. 2. Kofidesitervall för skillade mella två proportioer. 3. Grafteori Kofidesitervall för proportioer Atag att vi vill skatta adele
Läs merViktigt! Glöm inte att skriva Tentamenskod på alla blad du lämnar in.
Statistisk försöksplaerig Provmomet: Ladokkod: Tetame ges för: Skriftlig tetame 3,0 hp 51SF01 DTEIN14h 4,5 högskolepoäg TetamesKod: Tetamesdatum: 5 ovember 015 Tid: 9.00-13.00 Hjälpmedel: Miiräkare Totalt
Läs merNormalfördelningens 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 merb) 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 merLycka till! I(X i t) 1 om A 0 annars I(A) =
Avd Matematisk statistik TENTAMEN I SF955 f d 5B555 DATORINTENSIVA METODER ONSDAGEN DEN AUGUSTI 008 KL 400 900 Examiator: Guar Eglud, tel 790746 Email: guare@mathkthse Tillåta hjälpmedel: Formel- och tabellsamlig
Läs merFormelblad Sannolikhetsteori 1
Formelblad Saolikhetsteori Bayes formel: Låt A och D vara två hädelser Då gäller P A D = P D AP A P D Chebyshevs olikhet: Låt X vara e stokastisk variabel med vätevärde µ och varias Då gäller för alla
Läs merSAMMANFATTNING TAMS79 Matematisk statistik, grundkurs
SAMMANFATTNING TAMS79 Matematisk statistik, grudkurs LÄST SOM EN DEL AV CIVILINGENJÖRSPROGRAMMET I INDUSTRIELL EKONOMI VID LITH, HT 2015 Versio: 1.0 Seast reviderad: 2016-02-01 Författare: Viktor Cheg
Läs merUppsala Universitet Matematiska institutionen Matematisk Statistik. Formel- och tabellsamling. Sannolikhetsteori och Statistik
Uppsala Uiversitet Matematiska istitutioe Matematisk Statistik Formel- och tabellsamlig Saolikhetsteori och Statistik IT2-2004 Formelsamlig, Saolikhetsteori och Statistik IT-2004 1 Saolikhetsteori 1.1
Läs merKOM IHÅG ATT NOTERA DITT TENTAMENSNUMMER NEDAN OCH TA MED DIG TALONGEN INNAN DU LÄMNAR IN TENTAN!!
Göteborgs uiversitet Psykologiska istitutioe Tetame Psykologi kurskod PC106, Kurs 6: Idivide i ett socialt sammahag (15 hp) och PC 145. Tid för tetame: 6/5-01. Hel och halvfart VT 1. Provmomet: Socialpsykologi
Läs merMS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del II
MS-A0509 Grudkurs i saolikhetskalkyl och statistik Sammafattig, del II G. Gripeberg Aalto-uiversitetet 14 februari 014 G. Gripeberg Aalto-uiversitetet) MS-A0509 Grudkurs i saolikhetskalkyl och statistiksammafattig,
Läs merMA2018 Tillämpad Matematik III-Statistik, 3.5hp,
MA08 Tillämpad Matematik III-Statistik, 3.5hp, 08-05-3 Hjälpmedel: Pea, radergummi och lijal. Räkedosa och medföljade formelsamlig är tillåte! Tetame består av 0 frågor! Edast Svarsblakette ska lämas i!
Läs merTentamen 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 merMS-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 merHögskoleutbildad 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 merDatorövning 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 mer1. (a) Eftersom X och Y har samma fördelning så har de även samma väntevärde och standardavvikelse. E(X 2 ) = k
LÖSNINGAR TILL Matematisk statistik, Matematikcetrum Tetame: 5 kl 8 Luds tekiska högskola FMS, FMS, FMS, FMS 5, MAS 9 Matematisk statistik för ED, F, I, FED och fysiker. a Eftersom X och Y har samma fördelig
Läs merMA2018 Tillämpad Matematik III-Statistik, 3.5hp,
MA2018 Tillämpad Matematik III-Statistik, 3.hp, 2018-08- Hjälpmedel: Pea, radergummi och lijal. Räkedosa och medföljade formelsamlig är tillåte! Tetame består av 20 frågor! Edast Svarsblakette ska lämas
Läs merMS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del II
Stickprov MS-A0509 Grudkurs i saolikhetskalkyl och statistik Sammafattig del II G Gripeberg Aalto-uiversitetet 4 februari 04 Estimerig 3 Kofidesitervall 4 Hypotesprövig 5 Korrelatio och regressio G Gripeberg
Läs merSAMMANFATTNING TAMS65
SAMMANFATTNING TAMS65 Matematisk statistik, fortsättigskurs LÄST SOM EN DEL AV CIVILINGENJÖRSPROGRAMMET I INDUSTRIELL EKONOMI VID LITH, VT 016 Seast reviderad: 016-06-01 Författare: Viktor Cheg Iehållsförteckig
Läs mer================================================
rmi Halilovic: ETR ÖVNINGR TVÅ STICKPROV Vi betraktar två oberoede ormalfördelade sv och Låt x, x,, x vara ett observerat stickprov, av storleke, på N (, ) och låt y, y,, y vara ett observerat stickprov,
Läs merBorel-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 merTENTAMEN I MATEMATIK MED MATEMATISK STATISTIK HF1004 TEN kl
TENTAMEN I MATEMATIK MED MATEMATISK STATISTIK HF004 TEN 0-04-5 kl 8.5-.5 Hjälpmedel: Formler och tabeller i statistik, räkedosa Fullstädiga lösigar erfordras till samtliga uppgifter. Lösigara skall vara
Läs merAvd. Matematisk statistik
Avd. Matematisk statistik TENTAMEN I SF1917/SF1918/SF1919 SANNOLIKHETSTEORI OCH STATISTIK, TISDAG 8 JANUARI 2019 KL 8.00 13.00. Examiator för SF1917/1919: Jörge Säve-Söderbergh, 08-790 65 85. Examiator
Läs merRättningstiden är i normalfall 15 arbetsdagar, annars är det detta datum som gäller:
Matematisk Statistik Provmomet: Ladokkod: Tetame ges för: Tetame TT091A KMASK14H 7,5 högskolepoäg Nam: (Ifylles av studet) Persoummer: (Ifylles av studet) Tetamesdatum: 2 jui 2015 Tid: 9:00-13:00 Hjälpmedel:
Läs merÖvningstentamen i MA2018 Tillämpad Matematik III-Statistik, 3.5hp
Övigstetame i MA08 Tillämpad Matematik III-Statistik,.hp Hjälpmedel: Pea, radergummi och lijal. Räkedosa och medföljade formelsamlig är tillåte! Tetame består av 0 frågor! Edast Svarsblakette ska lämas
Läs merMA2018 Tillämpad Matematik III-Statistik, 3.5hp,
MA018 Tillämpad Matematik III-Statistik,.hp, 018-0-1 Hjälpmedel: Pea, radergummi och lijal. Räkedosa och medföljade formelsamlig är tillåte! Tetame består av 0 frågor! Edast Svarsblakette ska lämas i!
Läs merUppgifter 3: Talföljder och induktionsbevis
Gruder i matematik och logik (017) Uppgifter 3: Talföljder och iduktiosbevis Ur Matematik Origo 5 Talföljder och summor 3.01 101. E talföljd defiieras geom formel a 8 + 6. a) Är det e rekursiv eller e
Läs merSannolikhetsteori FORMELSAMLING MATEMATISK STATISTIK, AK FÖR I, FMS 120, HT-00. Kap 2: Sannolikhetsteorins grunder
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK FORMELSAMLING MATEMATISK STATISTIK, AK FÖR I, FMS 10, HT-00 Saolikhetsteori Kap : Saolikhetsteoris gruder Följade gäller för saolikheter: 0
Läs merJag 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 merSannolikhetslära statistisk inferens F10 ESTIMATION (NCT )
Stat. teori gk, vt 2006, JW F10 ESTIMATION (NCT 8.1-8.3) Ordlita till NCT Iferece Slutledig, ifere Parameter Parameter Saolikhetlära tatitik ifere Hittill har vi ylat med aolikhetlära. Problem av type:
Läs merP (A) = k A P (A ) = 1 P (A) P (A B) P (B) P (M i ) = 1 P (A) P (X = k) = p X (k) p X (k) = 1 P (A B) p X (k)
SVERIGES LANTBRUKSUNIVERSITET Istitutioe för eergi och tekik Uwe Mezel e-post: uwe.mezel@matstat.de Formelsamlig Grudläggade matematiskt statistik 2080822 Saolikhetslära Klassisk saolikhetsdeitio: P A
Läs merSANNOLIKHETER. 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 merMS-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 merSannolikheten. met. A 3 = {2, 4, 6 }, 1 av 11
rmi Halilovic: EXTR ÖVIGR SOLIKHETER GRUDLÄGGDE EGRE OH ETEKIGR Utfall Resultat av ett slumpmässigt försök. Utfallsrummet ägde av alla utfall (beteckas oftast medd Ω ). Hädelse E delmägd av utfallsrumm
Läs merF12 Stickprovsteori, forts
F12 Stickprovsteori, forts 5.4 Cetrala gräsvärdessatse IsistaexempletvidF10hadeviefördelig fx i )=1/3, x i =1,2,3 Eobservatiofrådeakasessomettstickprovav storlek=1. Vi såg geom att studera alla möjliga
Läs merIntervallskattningar, synonymt konfidensintervall eller statistiska osäkerhetsgränser
Matematisk statistik ör STS vt 004 004-05 - 04 Begt Rosé Itervallskattigar, syoymt koidesitervall eller statistiska osäkerhetsgräser Allmät om koidesitervall För att börja kokret återväder vi till det
Läs merDatorövning 2 Fördelningar inom säkerhetsanalys
Luds tekiska högskola Matematikcetrum Matematisk statistik STATISTISKA METODER FÖR SÄKERHETSANALYS FMS065 Datorövig 2 Fördeligar iom säkerhetsaalys I dea datorövig ska vi studera ågra grudläggade frå saolikhetsteori:
Läs merx 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 merMA2018 Tillämpad Matematik III-Statistik, 3.5hp,
MA018 Tillämpad Matematik III-Statistik,.hp, 019-0-1 Hjälpmedel: Pea, radergummi och lijal. Räkedosa och medföljade formelsamlig är tillåte! Tetame består av 0 frågor! Edast Svarsblakette ska lämas i!
Läs merTentamen i statistik för STA A13, 1-10 poäng Deltentamen II, 5p Lördag 9 juni 2007 kl
Avdelige för atioalekoomi och Tetame i för STA A13, 1-10 poäg Deltetame II, 5p Lördag 9 jui 007 kl. 09.00-13.00 Tillåta hjälpmedel: Bifogad formel- och tabellsamlig (skall retureras) samt miiräkare. Asvarig
Läs merFinansiell 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 merFORMELSAMLING MATEMATISK STATISTIK, FMS601. Fördelning Väntevärde Varians. p x (1 p) n x x = 0, 1,..., n np np(1 p) ) x = 0, 1,..., n np.
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK FORMELSAMLING MATEMATISK STATISTIK, FMS601 Valiga fördeligar Fördelig Vätevärde Varias Biomialfördelig, Bi (, p ) P (X = x) = ( x) p x (1 p)
Läs merTentamen 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 merTENTAMEN I MATEMATISK STATISTIK Datum: 13 mars 08
TENTAMEN I MATEMATISK STATISTIK Datum: 3 mars 8 Te i kurse HF3, 6H3, 6L3 MATEMATIK OCH MATEMATISK STATISTIK, Te i kurse HF ( Tidigare k 6H3), KÖTEORI OCH MATEMATISK STATISTIK, Skrivtid: 8:5-:5 Hjälpmedel:
Läs merLÖSNINGSFÖRSLAG 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 merStokastiska 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 merTentamen i matematisk statistik
MSTA3, Saolikhetsteori A, 5 p 5--7 Tetame i matematisk statistik Saolikhetsteori A, 5 poäg Skrivtid: 9.-5.. Tillåta hjälpmedel: Tabellsamlig, ege miiräkare. Studetera får behålla tetamesuppgiftera. På
Läs merTentamen i Sannolikhetsteori III 13 januari 2000
STOCKHOLMS UNIVERSITET MATEMATISK STATISTIK Louise af Klitberg Lösigar Tetame i Saolikhetsteori III 13 jauari 2000 Uppgift 1 a) Det mest detaljerade utfallsrummet är med uppebara beteckigar Ω = {(B1, B2),
Läs merTAMS79: Föreläsning 9 Approximationer och stokastiska processer
TAMS79: Föreläsig 9 Approximatioer och stokastiska processer Joha Thim 18 ovember 2018 9.1 Biomialfördelig Vi har reda stött på dea fördelig flera gåger. Situatioe är att ett slumpförsök har två möjliga
Läs merAnmärkning: I några böcker använder man följande beteckning ]a,b[, [a,b[ och ]a,b] för (a,b), [a,b) och (a,b].
MÄNGDER Stadardtalmägder: N={0,, 2, 3, } mägde av alla aturliga tal (I ågra böcker N={,2,3, }) Z={ 3, 2,,0,, 2, 3, 4, } mägde av alla hela tal m Q={, där m, är hela tal och 0 } mägde av alla ratioella
Läs merGenomsnittligt sökdjup i binära sökträd
Iformatiostekologi Tom Smedsaas 10 augusti 016 Geomsittligt sökdjup i biära sökträd Detta papper visar att biära sökträd som byggs upp av slumpmässiga data är bra. Beteckigar och defiitioer Defiitio De
Läs merLösning 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 merHYPOTESPRÖVNING. De statistiska metoderna som används för att fatta denna typ av beslut baseras på två komplementära antaganden om populationen.
HPOTESPRÖVNING De tatitika metodera om aväd för att fatta dea typ av belut baera på två komplemetära atagade om populatioe. Partiet produkter har atige de utlovade kvalitete eller å har de de ite. Atige
Läs merMS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del II
MS-A0509 Grudkurs i saolikhetskalkyl och statistik Sammafattig, del II G. Gripeberg Aalto-uiversitetet 13 februari 015 G. Gripeberg (Aalto-uiversitetet) MS-A0509 Grudkurs i saolikhetskalkyl och statistik
Läs merTENTAMEN I MATEMATISK STATISTIK
TETAME I MATEMATISK STATISTIK Te i kurse 6H, KÖTEORI OCH MATEMATISK STATISTIK, Te i kurse 6H, 6L MATEMATIK OCH MATEMATISK STATISTIK, Skrivtid: :-7: Lärare: Armi Halilovic Kurskod 6H, 6H, 6L, 6A Hjälpmedel:
Läs merMS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning och exempel, del II
MS-A0509 Grudkurs i saolikhetskalkyl och statistik Sammafattig och exempel, del II G. Gripeberg Aalto-uiversitetet 13 februari 015 G. Gripeberg (Aalto-uiversitetet MS-A0509 Grudkurs i saolikhetskalkyl
Läs merÖvningstentamen i MA2018 Tillämpad Matematik III-Statistik, 7.5hp
Övigstetame i MA08 Tillämpad Matematik III-Statistik, 7.5hp Hjälpmedel: Räkedosa och medföljade formelsamlig! Täk på att dia lösigar ska utformas så att det blir lätt för läsare att följa dia takegågar.
Läs merInduktion LCB Rekursion och induktion; enkla fall. Ersätter Grimaldi 4.1
duktio LCB 2000 Ersätter Grimaldi 4. Rekursio och iduktio; ekla fall E talföljd a a 0 a a 2 ka aturligtvis defiieras geom att ma ager e explicit formel för uträkig av dess elemet, som till exempel () a
Läs merMS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning och exempel, del II
MS-A0509 Grudkurs i saolikhetskalkyl och statistik Sammafattig och exempel, del II Stickprov Två yttiga fördeligar Estimerig G. Gripeberg 3 Kofidesitervall Aalto-uiversitetet 3 februari 05 4 Hypotesprövig
Läs merId: statistik.tex :48:29Z joa
UTDRAG UR FÖRELÄSNINGSANTECKNINGAR I STATISTIKTEORI PUNKT- OCH INTERVALLSKATTNINGAR SAMT HYPOTESTEST MATEMATISK STATISTIK AK FÖR F, E, D, I, C, È; FMS 012 JOAKIM LÜBECK, SEPTEMBER 2008 Iehåll 1 Puktskattigar
Läs merGrundläggande matematisk statistik
Grudläggade matematik tatitik Hypotetet I Uwe Mezel, 2018 uwe.mezel@lu.e; uwe.mezel@mattat.de www.mattat.de Syfte: Hypotetet o vi tetar på grudval av ett tickprov om e fördeligparameter (μ, σ, λ, ) har
Läs merJag läser kursen på. Halvfart Helfart
KOD: Tetame Psykologi Kurskod: PC106, Kurs 6: Idivide i ett socialt sammahag (15 hp) och PC145 Datum: 5/5-013 Hel- och halvfart VT 13 Provmomet: Socialpsykologi + Metod Tillåta hjälpmedel: Miiräkare Asvarig
Läs mera. Nej, eftersom alla utfall inte har samma sannolikhet. Förutsättningarna enligt första stycket på sida 12 är inte uppfyllda.
Seaste uppdaterig, stressad och med risk för slarvfel October, 007 Det här är ite superkotrollerat och bör INTE betraktas som kompletta demostratioslösigar uta sarare som ett försök att ge er hjälp och
Läs mer