Föreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar
|
|
- Emma Anna-Karin Jonsson
- för 4 år sedan
- Visningar:
Transkript
1 Föreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar Stas Volkov Stanislav Volkov s.volkov@maths.lth.se FMSF20 F8: Statistikteori 1/20
2 Översikt Exempel Repetition Exempel Matematisk statistik slumpens matematik Sannolikhetsteori: Hur beskriver man slumpen och slumpmässiga händelser? Slh. för 3 st 1:or på 10 tärningsslag? Givet fördelningen för vågor, hur höga/stora kan de 5 % värsta vågorna vara? Vi observerar ett radioaktivt material med känd halveringstid under 10 mintuer; vilken fördelning kommer det observerade antalet sönderfall att följa? Statistikteori: Vilka slutsatser kan man dra av ett datamaterial? Givet 3 st 1:or på 10 tärningslag, är tärningen rättvis? Givet 10 års mätningar av vågor, vad kan vi säga om fördelningen? Under 10 minuter observerar vi 5 sönderfall, vad är halveringstiden? Stanislav Volkov s.volkov@maths.lth.se FMSF20 F8: Statistikteori 2/20
3 Översikt Exempel Repetition Exempel Statistik Från mätningar (insamlad data) dra slutsatser om verkligheten. Vi behöver då en modell för våra mätingar! Ofta innehåller vår modell okända parametrar samt ett antagande om fördelning för observationerna. Stanislav Volkov FMSF20 F8: Statistikteori 3/20
4 Översikt Exempel Repetition Exempel Exempel: Kvalitetskontroll Vi kontrollerar n st slumpmässigt utvalda komponenter från ett stort parti och ser om de fungerar. Modell: X =antalet trasiga komponenter X Bin(n, p), där p är andelen trasiga kommponenter. Parametern p är okänd. Möjliga frågeställlningar: 1. Vad är en bra uppskattning av p? 2. Hur stor är osäkerheten i uppskattningen? 3. Vilket intervall tror vi p ligger inom? 4. Hur stort måste n vara för att uppnå en tillräckligt liten osäkerhet? Stanislav Volkov s.volkov@maths.lth.se FMSF20 F8: Statistikteori 4/20
5 Översikt Exempel Repetition Exempel Statistikteori översikt Punktskattning Hur gör man en bra gissning av en okänd storhet? Hur vet man att den är bra? Intervallskattning Hitta istället ett intervall som täcker den okända storheten med en given (stor) sannolikhet. Hypotestest Regression Om gissningen blev 0.013, kan rätt värde på den okända storheten ändå vara 0.01? Sambandsanalys: hur vet vi om två variabler påverkar varandra? Stanislav Volkov FMSF20 F8: Statistikteori 5/20
6 Översikt Exempel Repetition Exempel Statistikteori, grundläggande begrepp Stickprov Ett stickprov, x 1, x 2,..., x n, är observationer av s.v. X 1,..., X n från någon fördelning X i F(θ) där θ är en okänd parameter. Skattning En skattning av θ, θ (x 1,..., x n ) är en observation av den s.v. θ (X 1,..., X n ). Båda betecknas oftast bara med θ. Bra egenskaper för en skattning är Väntevärdesriktig : E(θ ) = θ, inget systematiskt fel. Effektiv: liten varians (osäkerhet) V(θ ). Konsistent: P( θ n θ > ε) 0, n, dvs Blir bättre när vi får fler observationer, Stanislav Volkov s.volkov@maths.lth.se FMSF20 F8: Statistikteori 6/20
7 Översikt Exempel Repetition Exempel En skattning θ är både ett tal, en s.v. och en funktion θ Tal x 1 x 2 θ (x 1,..., x n) S.V. X 1 X 2 θ (X) X i F(θ) θ Funktion Stanislav Volkov s.volkov@maths.lth.se FMSF20 F8: Statistikteori 7/20
8 Översikt Exempel Repetition Exempel Modell för mätning med slumpmässigt mätfel Antag att vi vill mäta en storhet μ. Om man gör n st mätvärden, x 1,..., x n är dessa observationer av X i = μ + ε i = Rätt värde + Mätfel där ε i är ett slumpmässigt mätfel. Ofta antas att ε i är oberoende och Detta ger att våra observationer blir ε i N(0, σ) X i N(μ, σ) Därför ser vi att väntevärdet är den storhet vi försöker mäta upp. Stanislav Volkov s.volkov@maths.lth.se FMSF20 F8: Statistikteori 8/20
9 Översikt Exempel Repetition Exempel Kom ihåg: väntevärde och varians Väntevärdet anger tyngdpunkten för fördelningen { E(X) = x f X(x) dx kontinuerlig k k p X(k) diskret Variansen anger hur utspridd X är kring sitt väntevärde. ( V(X) = E [X E(X)] 2) = E(X 2 ) E(X) 2 0. Nuttiga formler: ( ) E ai X i + b = a i E(X i ) + b ( ) V a i X i + b = a 2 i V(X i) + 2 a i a j C(X i, X j ) i i i<j }{{} =0 om okorrelerade Stanislav Volkov s.volkov@maths.lth.se FMSF20 F8: Statistikteori 9/20
10 Översikt Exempel Repetition Exempel Variation i observationer ger variation i skattningen μ n = 1 n n i=1 X i E(μ n) = μ V(μ n) = σ2 n Stickprov Observationer x jk μ = x j Stanislav Volkov s.volkov@maths.lth.se FMSF20 F8: Statistikteori 10/20
11 Översikt Exempel Repetition Exempel 0.8 Observationernas fördelning Skattningarnas fördelning Stanislav Volkov s.volkov@maths.lth.se FMSF20 F8: Statistikteori 11/20
12 MK ML Exempel Medelfel Minsta kvadrat-metoden, MK Om E(X i ) = μ i (θ) så fås MK-skattningen av θ genom att minimera förlustfunktionen Q(θ) = n ( x i μ i (θ) i=1 ) 2 med avseende på θ. Bestäm hur väntevärdet beror av θ, E(X i ) = μ i (θ). Sätt upp Q(θ) Derivera Q(θ), sätt lika med noll och lös m.a.p. θ. Det θ som minimerar Q(θ) är MK-skattningen, θ MK. Stanislav Volkov s.volkov@maths.lth.se FMSF20 F8: Statistikteori 12/20
13 MK ML Exempel Medelfel Maximum likelihood-metoden, ML ML-skattningen av θ fås genom att maximera likelihood-funktionen L(θ; x 1,..., x n ) m.a.p. θ. L(θ) = p X (x 1 )... p X (x n ) L(θ) = f X (x 1 )... f X (x n ) (diskret) (kontinuerlig) I det diskreta fallet anger L-funktionen: Sannolikheten att få det stickprov som vi fått. Sätt upp L(θ) Logaritmera ln L(θ) maximeras av samma θ som L(θ). Derivera ln L(θ) med avs. på θ, sätt lika med noll och lös för θ. Det θ som maximerar L(θ) är ML-skattningen θ ML. Stanislav Volkov s.volkov@maths.lth.se FMSF20 F8: Statistikteori 13/20
14 MK ML Exempel Medelfel Exempel: Radon Radonkoncentrationen i inomhusluft kan mätas genom att hänga upp en α-känslig film. Antalet hål i filmen beskrivs av en Poisson-process med X i Po(μK i ) där μ är den okända radonkoncentrationen och K i är kända konstanter som beror på bl.a. filmens känslighet, storlek och exponeringstiden. Radon-data återkommer i lab 4. Stanislav Volkov s.volkov@maths.lth.se FMSF20 F8: Statistikteori 14/20
15 MK ML Exempel Medelfel Ex: Normalfördelning Om x 1,..., x n är observationer av X i N(μ, σ) blir ML- och MK-skattningen av μ och en korrigerad ML-skattning av σ 2 μ = x (σ 2 ) = s 2 (x) = 1 n 1 n (x i x) 2 Dessa används även för att skatta väntevärde och varians vid okänd fördelning. Värför korrigerad? E(s 2 (X)) = σ 2 i=1 Stanislav Volkov s.volkov@maths.lth.se FMSF20 F8: Statistikteori 15/20
16 MK ML Exempel Medelfel Medelfel Om D(θ (X)) = V(θ (X)), dvs. standardavvikelsen av en skattning för θ,, innehåller okända parametrar θ då kan man inte räkna ut ett numeriskt värde på den. Istället stoppar man in skattningar på de okända parametrarna och får medelfelet d(θ ). Exempel: p = X n där X Bin(n, p) så V(X) = np(1 p). ( ) X V(p ) = V = 1 n n 2 V(X) = 1 p(1 p) np(1 p) =, n2 n p(1 p) p så D(p ) = = d(p ) = (1 p ) n n Exempel. μ = X, där X N(μ, σ), σ okänd V(μ ) = σ2 n, d(μ ) = s, där s = 1 n n 1 n (x i x) 2 i=1 Stanislav Volkov s.volkov@maths.lth.se FMSF20 F8: Statistikteori 16/20
17 MK ML Exempel Medelfel Exempel: två binomialfördelningar Vi har två oberoende observationer: x 1 från X 1 Bin(n 1, p) och x 2 från X 2 Bin(n 2, 2p) där n 1 och n 2 är kända medan p är en okänd parameter (OBS! 0 < p < 1/2). Bestäm MK-skattningen av p. Bestäm ML-skattningen av p. Beräkna skattningarnas värde när n 1 = 5 och x 1 = 2, samt n 2 = 6 och x 2 = 3. Är skattningarna väntesvärderiktiga? Vilken av skattningarna har lägst varians? Stanislav Volkov s.volkov@maths.lth.se FMSF20 F8: Statistikteori 17/20
18 MK ML Exempel Medelfel Exempel: två binomialfördelningar Enkelt: skatta p och 2p var för sig: p 1 (x 1) = p = x 1 n 1 = 2 5 = p 2 (x 2) = (2p) = x 2 n 2 = 3 6 = 0.50 p = x 2 2n 2 = 0.25 Vilken är rätt? (Ingen av dem...) Vilken är bäst? (p 1 kan bli > 1/2 som är omöjligt ) V(p p(1 p) 1 ) = = n 1 V(p 2p(1 2p) 2 ) = 2 2 = n 1 p(1 p) ; 5 p(1 2p). 12 Stanislav Volkov s.volkov@maths.lth.se FMSF20 F8: Statistikteori 18/20
19 MK ML Exempel Medelfel Vikta ihop skattningarna, på olika sätt... p a = p a(x 1, x 2 ) = p 1 + p 2 2 = x 1 n 1 + x 2 2n 2 2 = 2n 2x 1 + n 1 x 2 4n 1 n 2 = p b = p b (x 1, x 2 ) = n 1p 1 + n 2p 2 n 1 + n 2 = x 1 + x2 2 n 1 + n 2 = 2x 1 + x 2 2(n 1 + n 2 ) = p c = p c(x 1, x 2 ) = p 1 + 2p = x 1 n 1 + x 2 n 2 3 = n 2x 1 + n 1 x 2 3n 1 n 2 = p d = p d (x 1, x 2 ) = n 1p 1 + 2n 2p 2 n 1 + 2n 2 = x 1 + x 2 n 1 + 2n 2 = Stanislav Volkov s.volkov@maths.lth.se FMSF20 F8: Statistikteori 19/20
20 MK ML Exempel Medelfel MK- och ML-skattningar p MK = n 1x 2 + 2n 2 x 1 n n2 2 = p ML = n 1 + 2n 2 + 2x 1 + x 2 4(n 1 + n 2 ) (n1 + 2n 2 ) 2 + (2x 1 + x 2 ) 2 (4n 1 x 1 + 6n 1 x 2 + 4n 2 x 2 ) = (n 1 + n 2 ) Stanislav Volkov s.volkov@maths.lth.se FMSF20 F8: Statistikteori 20/20
Matematisk statistik 9 hp, HT-16 Föreläsning 10: Punktskattningar
Matematisk statistik 9 hp, HT-16 Föreläsning 10: Punktskattningar Anna Lindgren (Stanislav Volkov) 31 oktober + 1 november 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F10: Punktskattning 1/18 Matematisk
Läs merFöreläsning 8, Matematisk statistik 7.5 hp för E, HT-15 Punktskattningar
Föreläsning 8, Matematisk statistik 7.5 hp för E, HT-15 Punktskattningar Anna Lindgren 25 november 2015 Anna Lindgren anna@maths.lth.se FMSF20 F8: Statistikteori 1/17 Matematisk statistik slumpens matematik
Läs merMatematisk statistik för B, K, N, BME och Kemister
Matematisk statistik för B, K, N, BME och Kemister Föreläsning 5 Johan Lindström 12 september 216 Johan Lindström - johanl@maths.lth.se FMS86/MASB2 F5 1/23 Repetition Gauss approximation Delta metoden
Läs merSF1901: SANNOLIKHETSTEORI OCH STATISTIKTEORI KONSTEN ATT DRA INTERVALLSKATTNING. STATISTIK SLUTSATSER. Tatjana Pavlenko.
SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 10 STATISTIKTEORI KONSTEN ATT DRA SLUTSATSER. INTERVALLSKATTNING. Tatjana Pavlenko 25 april 2017 PLAN FÖR DAGENS FÖRELÄSNING Statistisk inferens oversikt
Läs merMatematisk statistik för D, I, Π och Fysiker
Matematisk statistik för D, I, Π och Fysiker Föreläsning 11 Johan Lindström 13 november 2018 Johan Lindström - johanl@maths.lth.se FMSF45/MASB03 F11 1/25 Repetition Stickprov & Skattning Maximum likelihood
Läs merFöreläsning 9, Matematisk statistik 7.5 hp för E Konfidensintervall
Föreläsning 9, Matematisk statistik 7.5 hp för E Konfidensintervall Stas Volkov Stanislav Volkov s.volkov@maths.lth.se FMSF20 F9: Konfidensintervall 1/19 Stickprov & Skattning Ett stickprov, x 1, x 2,...,
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 10 27 november 2017 1 / 28 Idag Mer om punktskattningar Minsta-kvadrat-metoden (Kap. 11.6) Intervallskattning (Kap. 12.2) Tillämpning på
Läs merFöreläsning 11, FMSF45 Konfidensintervall
Repetition Konfidensintervall I Fördelningar Konfidensintervall II Föreläsning 11, FMSF45 Konfidensintervall Stas Volkov 2017-11-7 Stanislav Volkov s.volkov@maths.lth.se FMSF45 F11: Konfidensintervall
Läs merMatematisk statistik 9.5 hp, HT-16 Föreläsning 11: Konfidensintervall
Matematisk statistik 9.5 hp, HT-16 Föreläsning 11: Konfidensintervall Anna Lindgren 7+8 november 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F11: Konfidensintervall 1/19 Stickprov & Skattning Ett
Läs merFöreläsning 11, Matematisk statistik Π + E
Repetition Konfidensintervall I Fördelningar Konfidensintervall II Föreläsning 11, Matematisk statistik Π + E Johan Lindström 27 Januari, 2015 Johan Lindström - johanl@maths.lth.se FMS012 F11 1/19 Repetition
Läs merMatematisk statistik för B, K, N, BME och Kemister
Matematisk statistik för B, K, N, BME och Kemister Föreläsning 9 Joakim Lübeck (Johan Lindström 25 september 217 Johan Lindström - johanl@maths.lth.se FMSF7/MASB2 F9 1/23 Repetition Inferens för diskret
Läs merTAMS65 - 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 merMatematisk statistik KTH. Formel- och tabellsamling i matematisk statistik
Matematisk statistik KTH Formel- och tabellsamling i matematisk statistik Varterminen 2005 . Kombinatorik n = k n! k!n k!. Tolkning: n k mängd med n element. 2. Stokastiska variabler V X = EX 2 EX 2 =
Läs 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 merSF1901: Sannolikhetslära och statistik. Statistik: Intervallskattning (konfidensintervall)
SF1901: Sannolikhetslära och statistik Föreläsning 9. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski 21.02.2012 Jan Grandell & Timo Koski () Matematisk statistik 21.02.2012
Läs merSF1901: Sannolikhetslära och statistik. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski
SF1901: Sannolikhetslära och statistik Föreläsning 10. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski 18.02.2016 Jan Grandell & Timo Koski Matematisk statistik 18.02.2016
Läs merFöreläsning 7. Statistikens grunder.
Föreläsning 7. Statistikens grunder. Jesper Rydén Matematiska institutionen, Uppsala universitet jesper.ryden@math.uu.se 1MS008, 1MS777 vt 2016 Föreläsningens innehåll Översikt, dagens föreläsning: Inledande
Läs merFöreläsning 11: Mer om jämförelser och inferens
Föreläsning 11: Mer om jämförelser och inferens Matematisk statistik David Bolin Chalmers University of Technology Maj 12, 2014 Oberoende stickprov Vi antar att vi har två oberoende stickprov n 1 observationer
Läs merMatematisk statistik för D, I, Π och Fysiker
Matematisk statistik för D, I, Π och Fysiker Föreläsning 15 Johan Lindström 4 december 218 Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F15 1/28 Repetition Linjär regression Modell Parameterskattningar
Läs merFöreläsning 12: Linjär regression
Föreläsning 12: Linjär regression Matematisk statistik Chalmers University of Technology Oktober 4, 2017 Exempel Vi vill undersöka hur ett ämnes specifika värmeskapacitet (ämnets förmåga att magasinera
Läs merFORMELSAMLING MATEMATISK STATISTIK FÖR W; FMSF75 UPPDATERAD Sannolikhetsteori. Beskrivning av data. Läges-, spridnings- och beroendemått
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK FORMELSAMLING MATEMATISK STATISTIK FÖR W; FMSF75 UPPDATERAD 208-08-26 Sannolikhetsteori Följande gäller för sannolikheter: 0 P(A P(Ω = P(A
Läs merFORMELSAMLING HT-18 MATEMATISK STATISTIK FÖR B, K, N, BME OCH KEMISTER; FMSF70 & MASB02. Sannolikhetsteori. Beskrivning av data
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK FORMELSAMLING HT-18 MATEMATISK STATISTIK FÖR B, K, N, BME OCH KEMISTER; FMSF70 & MASB02 Sannolikhetsteori Följande gäller för sannolikheter:
Läs merf(x) = 2 x2, 1 < x < 2.
Avd. Matematisk statistik TENTAMEN I SF90,SF907,SF908,SF9 SANNOLIKHETSTEORI OCH STATISTIK TORSDAGEN DEN 7:E JUNI 0 KL 4.00 9.00. Examinator: Gunnar Englund, tel. 07 7 45 Tillåtna hjälpmedel: Formel- och
Läs merFöreläsning 12: Regression
Föreläsning 12: Regression Matematisk statistik David Bolin Chalmers University of Technology Maj 15, 2014 Binomialfördelningen Låt X Bin(n, p). Vi observerar x och vill ha information om p. p = x/n är
Läs merJesper 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 merFöreläsning 12, FMSF45 Hypotesprövning
Föreläsning 12, FMSF45 Hypotesprövning Stas Volkov 2017-11-14 Stanislav Volkov s.volkov@maths.lth.se FMSF45 F12: Hypotestest 1/1 Konfidensintervall Ett konfidensintervall för en parameter θ täcker rätt
Läs merMatematisk statistik för B, K, N, BME och Kemister
Matematisk statistik för B, K, N, BME och Kemister Johan Lindström Repetition Johan Lindström - johanl@maths.lth.se FMS86/MASB2 1/44 Begrepp S.V. Fördelning Väntevärde Gauss CGS Grundläggande begrepp (Kap.
Läs merEXEMPEL PÅ FRÅGESTÄLLNINGAR INOM STATISTIK- TEORIN (INFERENSTEORIN):
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF50: Matematisk statistik för L och V OH-bilder på föreläsning 7, 2017-11-20 EXEMPEL PÅ FRÅGESTÄLLNINGAR INOM STATISTIK- TEORIN (INFERENSTEORIN):
Läs merF8 Skattningar. Måns Thulin. Uppsala universitet Statistik för ingenjörer 14/ /17
1/17 F8 Skattningar Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 14/2 2013 Inledande exempel: kullager Antag att diametern på kullager av en viss typ är normalfördelad N(µ,
Läs merFöreläsning 5, Matematisk statistik 7.5hp för E Linjärkombinationer
Föreläsning 5, Matematisk statistik 7.5hp för E Linjärkombinationer Stas Volkov Stanislav Volkov s.volkov@maths.lth.se FMSF20 F5: linjärkombinationer 1/20 sum/max/min V.v./var Summa av två oberoende, Z
Läs merTAMS65 - Föreläsning 2 Parameterskattningar - olika metoder
TAMS65 - Föreläsning 2 Parameterskattningar - olika metoder Martin Singull Matematisk statistik Matematiska institutionen Innehåll Fö2 I Punktskattningar I Egenskaper I Väntevärdesriktig I E ektiv I Konsistent
Läs merSF1901: Medelfel, felfortplantning
SF1901: Medelfel, felfortplantning Jan Grandell & Timo Koski 15.09.2011 Jan Grandell & Timo Koski () Matematisk statistik 15.09.2011 1 / 14 Felfortplantning Felfortplantning kallas propagation of error
Läs merThomas Önskog 28/
Föreläsning 0 Thomas Önskog 8/ 07 Konfidensintervall På förra föreläsningen undersökte vi hur vi från ett stickprov x,, x n från en fördelning med okända parametrar kan uppskatta parametrarnas värden Detta
Läs merMatematisk statistik för B, K, N, BME och Kemister
Matematisk statistik för B, K, N, BME och Kemister Föreläsning 6 Johan Lindström 13 september 2017 Johan Lindström - johanl@maths.lth.se FMSF70/MASB02 F6 1/22 : Rattonykterhet Johan Lindström - johanl@maths.lth.se
Läs mer9. Konfidensintervall vid normalfördelning
TNG006 F9 09-05-016 Konfidensintervall 9. Konfidensintervall vid normalfördelning Låt x 1, x,..., x n vara ett observerat stickprov av oberoende s.v. X 1, X,..., X n var och en med fördelning F. Antag
Läs merMatematisk statistik KTH. Formelsamling i matematisk statistik
Matematisk statistik KTH Formelsamling i matematisk statistik Vårterminen 2017 1 Kombinatorik ) n n! = k k! n k)!. Tolkning: mängd med n element. ) n = antalet delmängder av storlek k ur en k 2 Stokastiska
Läs merFöreläsning 8: Konfidensintervall
Föreläsning 8: Konfidensintervall Matematisk statistik Chalmers University of Technology Maj 4, 2015 Projektuppgift Projektet går ut på att studera frisättningen av dopamin hos nervceller och de två huvudsakliga
Läs merFöreläsning 5, FMSF45 Summor och väntevärden
Föreläsning 5, FMSF45 Summor och väntevärden Stas Volkov 2017-09-19 Stanislav Volkov s.volkov@maths.lth.se FMSFF45 F5: väntevärden 1/18 2D stokastisk variabel Tvådimensionella stokastisk variabel (X, Y)
Läs merUppgift 1 a) En kontinuerlig stokastisk variabel X har fördelningsfunktion
Avd. Matematisk statistik TENTAMEN I 5B57 MATEMATISK STATISTIK FÖR T och M ONSDAGEN DEN 9 OKTOBER 25 KL 8. 3.. Examinator: Jan Enger, tel. 79 734. Tillåtna hjälpmedel: Formel- och tabellsamling i Matematisk
Läs mer1 Bakgrund DATORÖVNING 3 MATEMATISK STATISTIK FÖR E FMSF Något om Radon och Radonmätningar. 1.2 Statistisk modell
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORÖVNING 3 MATEMATISK STATISTIK FÖR E FMSF20 Syfte: Syftet med dagens laborationen är att du skall: få förståelse för punkt- och intervallskattningar.
Läs merMATEMATISK STATISTIK AK FÖR F, E, D, I, C, Π; FMS 012 FÖRELÄSNINGSANTECKNINGAR I
MATEMATISK STATISTIK AK FÖR F, E, D, I, C, Π; FMS 012 FÖRELÄSNINGSANTECKNINGAR I STATISTIKTEORI JOAKIM LÜBECK Mars 2014 Matematikcentrum Matematisk statistik CENTRUM SCIENTIARUM MATHEMATICARUM FÖRELÄSNINGSANTECKNINGAR
Läs merMatematisk statistik 9hp Föreläsning 7: Normalfördelning
Matematisk statistik 9hp Föreläsning 7: Normalfördelning Anna Lindgren 29+3 september 216 Anna Lindgren anna@maths.lth.se FMS12/MASB3 F7: normalfördelning 1/18 Kovarians, C(X, Y) Repetition Normalfördelning
Läs merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik Chalmers University of Technology April 27, 2015 Tvådimensionella fördelningar Definition En två dimensionell slumpvariabel (X, Y ) tillordnar två numeriska
Läs merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik Chalmers University of Technology September 21, 2015 Tvådimensionella fördelningar Definition En två dimensionell slumpvariabel (X, Y ) tillordnar två
Läs merMer om konfidensintervall + repetition
1/14 Mer om konfidensintervall + repetition Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 23/2 2011 2/14 Dagens föreläsning Skattningar som slumpvariabler Väntevärde Varians
Läs merDel I. Uppgift 1 För händelserna A och B gäller att P (A) = 1/4, P (B A) = 1/3 och P (B A ) = 1/2. Beräkna P (A B). Svar:...
Avd. Matematisk statistik TENTAMEN I SF9/SF94/SF95/SF96 SANNOLIKHETSTEORI OCH STATISTIK, ONSDAGEN DEN 4:E OKTOBER 08 KL 8.00 3.00. Examinator för SF94/SF96: Tatjana Pavlenko, 08-790 84 66 Examinator för
Läs merFöreläsning 6, FMSF45 Linjärkombinationer
Föreläsning 6, FMSF45 Linjärkombinationer Stas Volkov 2017-09-26 Stanislav Volkov s.volkov@maths.lth.se FMSF45 F6: linjärkombinationer 1/20 sum/max/min V.v./var Summa av två oberoende, Z = X + Y p Z (k)
Läs merAvd. Matematisk statistik
Avd. Matematisk statistik TENTAMEN I SF90 SANNOLIKHETSTEORI OCH STATISTIK, ONSDAGEN DEN 26:E OKTOBER 206 KL 8.00 3.00. Examinator: Thomas Önskog, 08 790 84 55. Tillåtna hjälpmedel: Formel- och tabellsamling
Läs merTMS136. Föreläsning 10
TMS136 Föreläsning 10 Intervallskattningar Vi har sett att vi givet ett stickprov kan göra punktskattningar för fördelnings-/populationsparametrar En punkskattning är som vi minns ett tal som är en (förhoppningsvis
Läs merFormel- och tabellsamling i matematisk statistik
Formel- och tabellsamling i matematisk statistik 1. Sannolikhetsteori för lärarprogrammet Sannolikhetsformler P (A ) = 1 P (A) P (A B) = P (A) + P (B) P (A B) P (A B) = P (A B) P (B) P (A B) = P (A B)P
Läs merAvd. Matematisk statistik
Avd. Matematisk statistik TENTAMEN I SF194 SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAG 1 AUGUSTI 019 KL 8.00 13.00. Examinator: Björn-Olof Skytt, 08-790 86 49. Tillåtna hjälpmedel: Formel- och tabellsamling
Läs merFöreläsning 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 merFöreläsning 1. Repetition av sannolikhetsteori. Patrik Zetterberg. 6 december 2012
Föreläsning 1 Repetition av sannolikhetsteori Patrik Zetterberg 6 december 2012 1 / 28 Viktiga statistiska begrepp För att kunna förstå mer avancerade koncept under kursens gång är det viktigt att vi förstår
Läs merSF1901: Sannolikhetslära och statistik
SF1901: Sannolikhetslära och statistik Föreläsning 8. Statistik: Mer om maximum likelihood, minsta kvadrat. Linjär regression, medelfel, felfortplantning Jan Grandell & Timo Koski 24.09.2008 Jan Grandell
Läs merMatematisk statistik 9 hp Föreläsning 6: Linjärkombinationer
Matematisk statistik 9 hp Föreläsning 6: Linjärkombinationer Anna Lindgren 27+28 september 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F6: linjärkombinationer 1/21 sum/max/min V.v./var Summa av
Läs merF9 Konfidensintervall
1/16 F9 Konfidensintervall Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 18/2 2013 2/16 Kursinformation och repetition Första inlämningsuppgiften rättas nu i veckan. För att
Läs merPROGRAMFÖRKLARING I. Statistik för modellval och prediktion. Ett exempel: vågriktning och våghöjd
Statistik för modellval och prediktion att beskriva, förklara och förutsäga Georg Lindgren PROGRAMFÖRKLARING I Matematisk statistik, Lunds universitet stik för modellval och prediktion p.1/4 Statistik
Läs merSF1905 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 merLÖSNINGAR TILL. Matematisk statistik, Tentamen: kl FMS 086, Matematisk statistik för K och B, 7.5 hp
LÖSNINGAR TILL Matematisk statistik, Tentamen: 011 10 1 kl 14 00 19 00 Matematikcentrum FMS 086, Matematisk statistik för K och B, 7.5 hp Lunds tekniska högskola MASB0, Matematisk statistik kemister, 7.5
Läs mer0 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 mer1. För tiden mellan två besök gäller. V(X i ) = 1 λ 2 = 25. X i Exp (λ) E(X i ) = 1 λ = 5s λ = 1 5
LÖSNINGAR TILL Matematisk statistik Tentamen: 29 7 kl 8 3 Matematikcentrum FMSF45 Matematisk statistik AK för D,I,Pi,F, 9 h Lunds universitet MASB3 Matematisk statistik AK för fysiker, 9 h. För tiden mellan
Läs merEXEMPEL PÅ FRÅGESTÄLLNINGAR INOM STATISTIKTE- ORIN (INFERENSTEORIN):
Lunds tekniska högskola Matematikcentrum Matematisk statistik Matematisk statistik AK för ekosystemteknik, FMSF75 OH-bilder 2018-09-19 EXEMPEL PÅ FRÅGESTÄLLNINGAR INOM STATISTIKTE- ORIN (INFERENSTEORIN):
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 6 13 november 2017 1 / 29 Idag Förra gången Mer om väntevärden och varianser (Kap. 5.2 5.3) Beroendemått (Kap. 5.4) Summor, linjärkombinationer
Läs merDel I. Uppgift 1 Låt X och Y vara stokastiska variabler med följande simultana sannolikhetsfunktion: p X,Y ( 2, 1) = 1
Avd. Matematisk statistik TENTAMEN I SF1920/SF1921 SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAG 11 MARS 2019 KL 8.00 13.00. Examinator: Björn-Olof Skytt, 08-790 86 49. Tillåtna hjälpmedel: Formel- och tabellsamling
Läs merRepetitionsföreläsning
Slumpförsök Repetitionsföreläsning Föreläsning 15 Sannolikhet och Statistik 5 hp Med händelser A B... avses delmängder av ett utfallsrum. Slumpförsök = utfallsrummet + ett sannolikhetsmått P. Fredrik Jonsson
Läs merFöreläsningsanteckningar till kapitel 8, del 2
Föreläsningsanteckningar till kapitel 8, del 2 Kasper K. S. Andersen 4 oktober 208 Jämförelse av två väntevärden Ofte vil man jämföra två eller fler) produkter, behandlingar, processer etc. med varandra.
Läs merSF1922/SF1923: SANNOLIKHETSTEORI OCH INTERVALLSKATTNING. STATISTIK. Tatjana Pavlenko. 24 april 2018
SF1922/SF1923: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 11 INTERVALLSKATTNING. Tatjana Pavlenko 24 april 2018 PLAN FÖR DAGENS FÖRELÄSNING Vad är en intervallskattning? (rep.) Den allmänna metoden för
Läs merKap 2. Sannolikhetsteorins grunder
Kap 2. Sannolikhetsteorins grunder Olika händelser och deras mängbetäckningar Sats 2.7 Dragning utan återläggning av k element ur n (utan hänsyn till ordning) kan ske på ( n ) olika sätt k För två händelser
Läs merTentamen i matematisk statistik (9MA241/9MA341, STN2) kl 08-12
LINKÖPINGS UNIVERSITET MAI Johan Thim Tentamen i matematisk statistik (9MA21/9MA31, STN2) 212-8-2 kl 8-12 Hjälpmedel är: miniräknare med tömda minnen och formelbladet bifogat. Varje uppgift är värd 6 poäng.
Läs merGrundläggande matematisk statistik
Grundläggande matematisk statistik Linjär Regression Uwe Menzel, 2018 uwe.menzel@slu.se; uwe.menzel@matstat.de www.matstat.de Linjär Regression y i y 5 y 3 mätvärden x i, y i y 1 x 1 x 2 x 3 x 4 x 6 x
Läs merLaboration 4: Intervallskattning och hypotesprövning
Lunds tekniska högskola Matematikcentrum Matematisk statistik Laboration 4 Matematisk statistik AK för CDIFysiker, FMS012/MASB03, HT14 Laboration 4: Intervallskattning och hypotesprövning Syftet med den
Läs merLaboration 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 merFöreläsning 8, FMSF45 Binomial- och Poissonfördelning, Poissonprocess
Repetition Binomial Poisson Stokastisk process Föreläsning 8, FMSF45 Binomial- och Poissonfördelning, Poissonprocess Stas Volkov 217-1-3 Stanislav Volkov s.volkov@maths.lth.se FMSF45 F8: Binomial- och
Läs merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik David Bolin Chalmers University of Technology April 7, 2014 Projektuppgift Projektet går ut på att genomföra ett statistiskt försök och analysera resultaten.
Läs merFMSF55: Matematisk statistik för C och M OH-bilder på föreläsning 5, a 2 e x2 /a 2, x > 0 där a antas vara 0.6.
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF55: Matematisk statistik för C och M OH-bilder på föreläsning 5, 28-4-6 EXEMPEL (max och min): Ett instrument består av tre komponenter.
Läs merFöreläsning 12: Repetition
Föreläsning 12: Repetition Marina Axelson-Fisk 25 maj, 2016 GRUNDLÄGGANDE SANNOLIKHETSTEORI Grundläggande sannolikhetsteori Utfall = resultatet av ett försök Utfallsrum S = mängden av alla utfall Händelse
Läs merAvd. Matematisk statistik
Avd. Matematisk statistik TENTAMEN I SF1901 SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAGEN DEN 8:E JANUARI 2018 KL 14.00 19.00. Examinator: Thomas Önskog, 08 790 84 55. Tillåtna hjälpmedel: Formel- och tabellsamling
Läs merHärledning av Black-Littermans formel mha allmänna linjära modellen
Härledning av Black-Littermans formel mha allmänna linjära modellen Ett sätt att få fram Black-Littermans formel är att formulera problemet att hitta lämpliga justerade avkastningar som ett skattningsproblem
Läs merMatematisk statistik för B, K, N, BME och Kemister
Matematisk statistik för B, K, N, BME och Kemister Föreläsning 3 Johan Lindström 4 september 7 Johan Lindström - johanl@maths.lth.se FMSF7/MASB F3 /3 fördelningsplot log- Johan Lindström - johanl@maths.lth.se
Läs merGrundläggande matematisk statistik
Grundläggande matematisk statistik Kontinuerliga fördelningar Uwe Menzel, 8 www.matstat.de Begrepp fördelning Hur beter sig en variabel slumpmässigt? En slumpvariabel (s.v.) har en viss fördelning, d.v.s.
Läs merFöreläsning 2, FMSF45 Slumpvariabel
Föreläsning 2, FMSF45 Slumpvariabel Stas Volkov 2017-09-05 Stanislav Volkov s.volkov@maths.lth.se FMSF45 F2: Slumpvariabel 1/23 Begrepp Samband Grundläggande begrepp och beteckningar Utfall resultatet
Läs merFöreläsning 6, Matematisk statistik Π + E
Repetition Kovarians Stora talens lag Gauss Föreläsning 6, Matematisk statistik Π + E Sören Vang Andersen 2 december 2014 Sören Vang Andersen - sva@maths.lth.se FMS012 F6 1/20 Repetition Kovarians Stora
Läs merMatematisk statistik för D, I, Π och Fysiker
Sannolikhetsteori Stokastisk variabel 2D stokastisk variabel Linjärkombination Gauss approximation Poissonprocess Markovkedjor Statistik Konfidensintervall Hypotesprövning Regression Multipel reg. Matematisk
Läs merTAMS65 - Föreläsning 1 Introduktion till Statistisk Teori och Repetition av Sannolikhetslära
TAMS65 - Föreläsning 1 Introduktion till Statistisk Teori och Repetition av Sannolikhetslära Martin Singull Matematisk statistik Matematiska institutionen TAMS65 - Mål Kursens övergripande mål är att ge
Läs merFöreläsning 15, FMSF45 Multipel linjär regression
Föreläsning 15, FMSF45 Multipel linjär regression Stas Volkov 2017-11-28 Stanislav Volkov s.volkov@maths.lth.se FMSF45 F15 1/23 Linjär regression Vi har n st par av mätvärden (x i, y i ), i = 1,..., n
Läs merMVE051/MSG Föreläsning 7
MVE051/MSG810 2016 Föreläsning 7 Petter Mostad Chalmers November 23, 2016 Överblick Deskriptiv statistik Grafiska sammanfattningar. Numeriska sammanfattningar. Estimering (skattning) Teori Några exempel
Läs merhistogram över 1000 observerade väntetider minuter 0.06 f(x) täthetsfkn x väntetid
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF55: Matematisk statistik för C och M OH-bilder på föreläsning 4, 28-3-27 EXEMPEL: buss. Från en busshållplats avgår en buss var 2 min (inga
Läs merLektionsanteckningar 11-12: Normalfördelningen
Lektionsanteckningar 11-12: Normalfördelningen När utfallsrummet för en slumpvariabel kan anta vilket värde som helst i ett givet intervall är variabeln kontinuerlig. Det är väsentligt att utfallsrummet
Läs merAvd. Matematisk statistik
Avd. Matematisk statistik TENTAMEN I SF1901, SANNOLIKHETSTEORI OCH STATISTIK, ONSDAGEN DEN 28:E OKTOBER 2015 KL 8.00 13.00. Kursledare: Tatjana Pavlenko, 08-790 84 66, Björn Olof Skytt 08-790 86 49. Tillåtna
Läs merESS011: Matematisk statistik och signalbehandling Tid: 14:00-18:00, Datum:
ESS0: Matematisk statistik och signalbehandling Tid: 4:00-8:00, Datum: 20-0-2 Examinatorer: José Sánchez och Bill Karlström Jour: Bill Karlström, tel. 070 624 44 88. José Sánchez, tel. 03 772 53 77. Hjälpmedel:
Läs merTeoretisk statistik. Gunnar Englund Matematisk statistik KTH. Vt 2005
Teoretisk statistik Gunnar Englund Matematisk statistik KTH Vt 2005 Inledning Vi skall kortfattat behandla aspekter av teoretisk statistik där framför allt begreppet uttömmande (ibland kallad tillräcklig
Läs merProvmoment: Tentamen 6,5 hp Ladokkod: A144TG Tentamen ges för: TGMAI17h, Maskiningenjör - Produktutveckling. Tentamensdatum: 28 maj 2018 Tid: 9-13
Matematisk Statistik 7,5 högskolepoäng Provmoment: Tentamen 6,5 hp Ladokkod: A144TG Tentamen ges för: TGMAI17h, Maskiningenjör - Produktutveckling Tentamensdatum: 28 maj 2018 Tid: 9-13 Hjälpmedel: Miniräknare
Läs merSF1901 Föreläsning 14: Felfortplantning, medelfel, Gauss approximation, bootstrap
SF1901 Föreläsning 14: Felfortplantning, medelfel, Gauss approximation, bootstrap Jan Grandell, Gunnar Englund & Timo Koski 03.03.2016 Jan Grandell, Gunnar Englund & Timo Koski Matematisk statistik 03.03.2016
Läs mera) Beräkna sannolikheten att en följd avkodas fel, det vill säga en ursprungliga 1:a tolkas som en 0:a eller omvänt, i fallet N = 3.
Avd. Matematisk statistik TENTAMEN I SF1901 SANNOLIKHETSTEORI OCH STATISTIK, TISDAGEN DEN 14:E MARS 017 KL 08.00 13.00. Examinator: Thomas Önskog, 08 790 84 55. Tillåtna hjälpmedel: Formel- och tabellsamling
Läs merAvd. Matematisk statistik
Avd. Matematisk statistik TENTAMEN I SF1907, SF1908 samt SF1913 SANNOLIKHETSTEORI OCH STATISTIK, ONS- DAGEN DEN 9:E JANUARI 2013 KL 14.00 19.00. Examinator: Tatjana Pavlenko, tel 790 8466. Tillåtna hjälpmedel:
Läs merb) Beräkna väntevärde och varians för produkten X 1 X 2 X 10 där alla X i :na är oberoende och R(0,2). (5 p)
Avd. Matematisk statistik TENTAMEN I SF190 (f d 5B2501 ) SANNOLIKHETSLÄRA OCH STATISTIK FÖR - ÅRIG MEDIA MÅNDAGEN DEN 1 AUGUSTI 2012 KL 08.00 1.00. Examinator: Gunnar Englund, tel. 07 21 7 45 Tillåtna
Läs merFöreläsning 17, Matematisk statistik Π + E
Sannolikhetsteori Statistik Föreläsning 17, Matematisk statistik Π + E Sören Vang Andersen 26 febuar 2015 Sören Vang Andersen - sva@maths.lth.se FMS012 F17 1/63 Stokastisk variabel En stokastisk variabel
Läs merPunktskattning 1 Ett exempel
Matematisk statistik för STS vt 004 004-05 - 04 Bengt Rosén Punktskattning Ett exempel Vid utveckling av nannoelektronik vill man väga en mycket liten "pryl", med vikt någonstans mellan 00 och 50 mg. "Prylen"
Läs merTentamen i matematisk statistik (9MA241/9MA341, STN2) kl 14 18
LINKÖPINGS UNIVERSITET MAI Johan Thim Tentamen i matematisk statistik (9MA241/9MA341, STN2) 213-1-11 kl 14 18 Hjälpmedel är: miniräknare med tömda minnen och formelbladet bifogat. Varje uppgift är värd
Läs merAvd. Matematisk statistik
Avd. Matematisk statistik TENTAMEN I SF90/SF9 SANNOLIKHETSTEORI OCH STATISTIK, ONSDAG 5 JUNI 09 KL 4.00 9.00. Examinator: Björn-Olof Skytt, 08-790 86 49. Tillåtna hjälpmedel: Formel- och tabellsamling
Läs mer