Matematisk statistik KTH. Formelsamling i matematisk statistik

Relevanta dokument
Formelsamling för Finansiell Statistik

FORMELSAMLING 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.

Uppsala Universitet Matematiska institutionen Matematisk Statistik. Formel- och tabellsamling. Sannolikhetsteori och Statistik

Sannolikhetsteori FORMELSAMLING MATEMATISK STATISTIK, AK FÖR I, FMS 120, HT-00. Kap 2: Sannolikhetsteorins grunder

Formelblad Sannolikhetsteori 1

Matematisk statistik KTH. Formelsamling i matematisk statistik

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

Formel- och tabellsamling i matematisk statistik Sannolikhetsteori

Föreläsning 2: Punktskattningar

HYPOTESPRÖVNING. De statistiska metoderna som används för att fatta denna typ av beslut baseras på två komplementära antaganden om populationen.

Sannolikhetslära statistisk inferens F10 ESTIMATION (NCT )

Formelsamling i matematisk statistik

Grundläggande matematisk statistik

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

SAMMANFATTNING TAMS79 Matematisk statistik, grundkurs

INGENJÖRSMATEMATISK FORMELSAMLING

Matematisk statistik KTH. Formel- och tabellsamling i matematisk statistik

θx θ 1 om 0 x 1 f(x) = 0 annars

Tillåtna hjälpmedel: Eget handskrivet formelblad (A4), utdelad tabellsamling, miniräknare med tömt minne Studenterna får behålla tentamensuppgifterna

Antalet sätt att välja ut r objekt bland n stycken med hänsyn till ordning är np r = n(n 1) (n r + 1).

Sannolikhetsteori FORMELSAMLING MATEMATISK STATISTIK, AK FÖR CDEFI, NANO OCH PI, MAS233, 2004 FMS 012, FMS 022, FMS 121 OCH MAS233

P (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)

LÖSNINGAR TILL. Räkningar: (z i z) 2 = , Δ = z = 1 n. n 1. Konfidensintervall:

4.2.3 Normalfördelningen

Borel-Cantellis sats och stora talens lag

Skattning / Inferens. Sannolikhet och statistik. Skattning / Inferens. Vad är det som skattas?

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

Grundläggande matematisk statistik

1. (a) Eftersom X och Y har samma fördelning så har de även samma väntevärde och standardavvikelse. E(X 2 ) = k

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

KTH/ICT IX1501:F7 IX1305:F2 Göran Andersson Statistik: Skattningar

Matematisk statistik TMS063 Tentamen

Datorövning 2 Fördelningar inom säkerhetsanalys

Lycka till! I(X i t) 1 om A 0 annars I(A) =

Föreläsning G04: Surveymetodik

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

MA2018 Tillämpad Matematik III-Statistik, 3.5hp,

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

a) Beräkna E (W ). (2 p)

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 4 (del 2)

Statistik. Språkligt och historiskt betyder statistik ungefär sifferkunskap om staten

Tentamen i Sannolikhetsteori III 13 januari 2000

1. Test av anpassning.

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

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

TMS136: Dataanalys och statistik Tentamen med lösningar

Avd. Matematisk statistik

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 4 (del 1)

Anmärkning: I några böcker använder man följande beteckning ]a,b[, [a,b[ och ]a,b] för (a,b), [a,b) och (a,b].

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

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

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

Viktigt! Glöm inte att skriva Tentamenskod på alla blad du lämnar in.

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

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

Stokastiska variabler

TAMS15: SS1 Markovprocesser

MA2018 Tillämpad Matematik III-Statistik, 3.5hp,

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

TAMS79: Föreläsning 9 Approximationer och stokastiska processer

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

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

Tentamenskrivning, , kl SF1625, Envariabelanalys för CINTE1(IT) och CMIEL1(ME ) (7,5hp)

MA2018 Tillämpad Matematik III-Statistik, 7.5hp,

MA2018 Tillämpad Matematik III-Statistik, 3.5hp,

Tentamen i matematisk statistik

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

F3 Lite till om tidsserier. Statistikens grunder 2 dagtid. Sammansatta index 4. Deflatering HT Laspeyres index: Paasche index: Index.

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

c n x n, där c 0, c 1, c 2,... är givna (reella eller n=0 c n x n n=0 absolutkonvergent om x < R divergent om x > R n n lim = 1 R.

Övningstentamen i MA2018 Tillämpad Matematik III-Statistik, 7.5hp

Id: statistik.tex :48:29Z joa

Introduktion till statistik för statsvetare

Statistik för bioteknik SF1911 // KTH Matematisk statistik // Formler och tabeller. 1 Numeriska sammanfattningar (statistikor)

Föreläsning G70 Statistik A

2. Konfidensintervall för skillnaden mellan två proportioner.

TENTAMEN I MATEMATISK STATISTIK Datum: 13 mars 08

Tentamen i Statistik, STA A13 Deltentamen 2, 5p 20 januari 2007, kl

4.2.3 Normalfördelningen

Tolkning av sannolikhet. Statistikens grunder, 15p dagtid. Lite mängdlära. Lite mängdlära, forts. Frekventistisk n A /n P(A) då n

Rättningstiden är i normalfall 15 arbetsdagar, annars är det detta datum som gäller:

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

Datorövning 2 Fördelningar inom säkerhetsanalys

H1009, Introduktionskurs i matematik Armin Halilovic. använder vi oftast induktionsbevis.

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

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

Föreläsning 10: Kombinatorik

SAMMANFATTNING TAMS65

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

F10 ESTIMATION (NCT )

Matematisk statistik

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

DEL I. Matematiska Institutionen KTH

Reliabilitet och validitet

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}.

Reliabilitet och validitet. Föreläsningsanteckningar till: F7 undersökningsdesign F8 konfidensintervall F9 hypotesprövning

b 1 och har för olika värden på den reella konstanten a.

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

Tentamen i Flervariabelanalys F/TM, MVE035

Linjär Algebra (lp 1, 2016) Lösningar till skrivuppgiften Julia Brandes

Transkript:

Matematik tatitik KTH Formelamlig i matematik tatitik Vårtermie 07

Kombiatorik! = k k! ( k)!. Tolkig: mägd med elemet. = atalet delmägder av torlek k ur e k Stokatika variabler V (X) = E X (E (X)) C (X; Y ) = E ((X E (X)) (Y E (Y ))) = E (XY ) E (X) E (Y ) (X; Y ) = C (X; Y ) D (X) D (Y ) 3 Dikreta fördeligar Biomialfördelige X är Bi(; p) om p X (k) = p k ( k p) k, k = 0; ; :::;, där 0 < p <. E (X) = p, V (X) = p ( p) "För-förta-gåge"-fördelige X är g(p) om p X (k) = p ( p) k, k = ; ; 3; :::, där 0 < p <. E (X) = p, V (X) = p p Hypergeometrika fördelige Np N ( p) X är Hyp(N; ; p) om p X (k) = k N k, 0 k Np, 0 k N ( p), där N, Np och är poitiva heltal amt N, < N, 0 < p <. E (X) = p, V (X) = N p ( N p) Poiofördelige X är Po(), där > 0, om p X (k) = k k! e, k = 0; ; ; ::: E (X) =, V (X) = 4 Kotiuerliga fördeligar Likformig fördelig 8 < X är U (a; b), där a < b, om f X (k) = : E (X) = a + b (b a), V (X) = b för a < x < b a 0 aar

Expoetialfördelige X är Exp(), där > 0, om f X (k) = E (X) =, V (X) = ( e x för x > 0 0 aar Normalfördelige (x ) X är N (; ) om f X (k) = p e, < x <, > 0 E (X) =, V (X) = X är N (; ) om och edat om X är N (0; ) Om Z är N (0; ) å har Z fördeligfuktioe (x) eligt Tabell och täthetfuktioe ' (x) = p e x =, < x <. E lijärkombiatio P i a ix i + b av oberoede, ormalfördelade tokatika variabler är ormalfördelad. 5 Cetrala grävärdeate Om X ; X ; :::; X är oberoede, likafördelade tokatika variabler med vätevärde och tadardavvikele > 0, å är Y = X + ::: + X approximativt N (; p ) om är tort. 6 Approximatio Hyp(N; ; p) Bi(; p) om N 0: Bi(; p) Po(p) om p 0: Bi(; p) N p; p p ( p) om p ( p) 0 Po() N ; p om 5 7 Tjebyjov olikhet Om E (X) = och D (X) = > 0 å gäller för varje k > 0 att P (jx j < k) k 8 Statitikt material x = j= = x j (x j x) = 6 4 j= j= x j 0 @ j= x j A3 7 5 3

9 Puktkattigar 9. Maximum-likelihoodmetode Låt x i vara e obervatio av X i, i = ; ; :::;, där fördelige för X i beror på e okäd parameter. Det värde ob om maximerar likelihoodfuktioe L () = p X ;:::;X (x ; :::; x ; ) =(om oberoede)= p X (x ; ) p X (x ; ) f X;:::;X (x ; :::; x ; ) =(om oberoede)= f X (x ; ) f X (x ; ) kalla maximum-likelihoodkattige (ML-kattige) av. 9. Mita-kvadratmetode Låt x i vara e obervatio av X i, i = ; ; :::;, och atag att E (X i ) = i ( ; ; :::; k ) och V (X i ) =, där ; ; :::; k är okäda parametrar och X ; X ; :::; X k är oberoede. Mita-kvadratkattigara (MK-kattigara) av ; ; :::; k är de värde ( ) ob ; ( ) ob ; :::; ( k) ob om miimerar kvadratumma Q = Q ( ; ; :::; k ) = (x i i ( ; ; :::; k )). 9.3 Medelfel E kattig av D ( ) kalla medelfelet för och betecka d ( ). 9.4 Felfortplatig Med beteckigar och förutättigar eligt läroboke gäller a) E (g ( )) g( ob) D (g ( )) jg 0 ( ob)j D ( ) b) E (g ( ; :::; )) g(( ) ob ; :::; ( ) ob ) V (g ( ; :::; )) j= C i ; @g j @x i @g @x j x k =( k ) o b ;k=;:::; 0 Några valiga fördeligar i tatitike -fördelige Om X ; X ; :::; X f är oberoede N (0; ), å gäller det att fx Xk är (f)-fördelad. k= 4

t-fördelige Om X är N (0; ) och Y är (f) amt om X och Y är oberoede, å gäller det X att p är t (f)-fördelad. Y=f Stickprovvariablera fördeligar vid ormalfördelade tickprov. Ett ormalfördelat tickprov Låt X ; :::; X vara oberoede tokatika variabler om alla är N (; ). Då gäller: a) X är N ; p b) X i X = c) X och S är oberoede d) X S= p är t ( ) ( ) S är ( ). Två ormalfördelade tickprov med amma varia Låt X ; :::; X vara N ( ; ) och Y ; :::; Y vara N ( ; ) och amtliga dea tokatika variabler ata vara oberoede. Då gäller: r a) X Y är N ; + b) ( + ) S är ( + ) där S = ( ) S + ( ) S, + S = X X i X och S = X Y i Y c) X Y och S är oberoede d) X Y ( ) r S + är t ( + ).3 Två ormalfördelade tickprov med olika varia Låt X ; :::; X vara N ( ; ) och Y ; :::; Y vara N ( ; ) och amtliga dea tokatika variabler ata vara oberoede.! Då gäller: X Y är N ; + 5

Ko deitervall. -metode Låt vara N (; D), där D är käd och okäd. Då är ob D = ett ko deitervall för med ko degrade.. t-metode Låt vara N (; D), där D och är okäda och D ite beror på. Låt Dob vara e puktkattig av D åda att D ob Dob t = (f) ett ko deitervall för med ko degrade..3 Approximativa metode är t (f). Då är Låt vara approximativt N (; D). Atag att Dob är e lämplig puktkattig av D. Då är ob Dob = ett ko deitervall för med de approximativa ko degrade..4 Metod baerad på -fördelig Låt ob vara e puktkattig av e parameter åda att f är (f). Då är! f f ob = (f); ob = (f) ett ko deitervall för med ko degrade. 3 Lijär regreio 3. Fördeligar Låt Y i vara N ( + x i ; ), i = ; ; :::;, och oberoede. Då gäller: a) = (x i x) Y i Y 0 (x i x) är N @; q A P (x i x)! b) = Y x är N ; + (x) (x i x)! c) + x 0 är N + x 0 ; + (x 0 x) (x i x) 6

d) ( ) S är ( ) där S = e) S är oberoede av och (Y i x i ) 3. Ko deitervall I : ob t p= ( ) + (x) (x i x) I : ob t p= ( ) q P (x i x) I +x0 : ob + obx 0 t p= ( ) + (x 0 x) (x i x) 3.3 Beräkigapekter S xy = (x i x) (y i y) = (x i x) y i = S xx = S yy = (x i x) = (y i y) x i (x) x i (y i y) = ( ) = S yy ( ob) S xx = S yy ob S xy = mi ; 4 Hypoteprövig 4. De itioer x i y i (y i x i ) x y Sigi kaivå (felrike) är (det maximala värdet av) P (förkata H 0 ) då hypotee H 0 är a. Styrkefuktioe h () = P (förkata H 0 ) då är rätt parametervärde. 4. Ko demetode Förkata H 0 : = 0 på ivå om 0 ej faller iom ett lämpligt valt ko - deitervall med ko degrade. 4.3 -tet Atag att oberoede upprepigar av ett förök med de möjliga utfalle A ; A ; :::; A r med repektive aolikheter P (A ) ; P (A ) ; :::; P (A r ). Låt, för j = ; ; :::; r, de tokatika variablel X j betecka atalet förök om ger reultatet A j. 7

Tet av give fördelig Vi vill teta H 0 : P (A ) = p ; P (A ) = p ; :::; P (A r ) = p r för giva aolikheter p ; p ; :::; p r. Då blir rx (x j p j ) Q = ett utfall av e approximativt (r )-fördelad tokatik p j variabel om H 0 är a och p j 5, j = ; ; :::; r. Om vi kattar k parametrar ur data, = ( ; :::; k ) för att katta p ; p ; :::; p r med p ( ob); p ( ob); :::; p r ( ob), å är rx Q 0 (x j p j ( = ob)) p j ( ett utfall av e approximativt (r k )-fördelad ob) j= tokatik variabel. Homogeitettet Vi vill teta om aolikhetera för utfalle A ; A ; :::; A r förökerier. Iför beteckigar eligt edatåede tabell: är deamma i Serie Atal obervatioer av Atal förök A A A 3 A r x x x 3 x r x x x 3 x r......... x x x 3 x r Koloumma m m m 3 m r N i m j X rx x ij Bilda Q = N i m j. j= N Q är ett utfall av e approximativt ((r ) ( ))-fördelad tokatik variabel om i m j =N 5, för alla i = ; ; :::; och j = ; ; :::; r. Oberoedetet Atag att värdemägde för de tokatika variabel X ka dela i i kategoriera A ; A ; :::; A r och att värdemägde för de tokatika variabel Y ka dela i i kategoriera B ; B ; :::; B. Vi vill teta om de tokatika variablera X och Y är oberoede. Atal obervatioer A A A 3 A r Radumma B x x x 3 x r B x x x 3 x r......... B x x x 3 x r Koloumma m m m 3 m r N Samma tettorhet och fördelig ka aväda om vid homogeitettet. 8