Rettevejledning til Kvantitative metoder 1, 2. årsprøve 18. juni timers prøve med hjælpemidler
|
|
- Agnete Kjeldsen
- 7 år siden
- Visninger:
Transkript
1 Rettevejledning til Kvantitative metoder 1, 2. årsprøve 18. juni timers prøve med hjælpemidler Opgaven består af re delopgaver, som alle skal besvares. De re opgaver indgår med samme vægt. Opgaverne er lavet således at de første 3 delspørgsmål er i meget centrale dele af pensum. Det sidste delspørgsmål i hver opgave er et svært spørgsmål. I denne rettevejledning henvises til Berr & Lindgreen: "Statistics: Theor and methods"(b&l). Opgave 1 Det antages, at sandsnligheden for at skifte job i løbet af et år er p; og heraf følger at sandsnlighen for ikke at skifte job (forblive i sin ansættelse) er 1 p: Lad D t være en stokastisk variabel, som angiver, om man skifter job i år t: D t er de neret således 1 hvis der er et jobskifte i år t D t = 0 hvis man fortsætter i nuværende job i år t Det antages, at D i og D j er uafhængige for i 6= j: Lad X angive antallet af jobskift i løbet af en 10 års periode: X = D 1 + D 2 + ::: + D 10 Antag at p = 0:20: 1. For at udregne sandsnligheden for at en person har 5 jobskift i løbet af 10 år: P (X = 5) skal de studerende redegøre for, at X er binomialfordelt med antalsparameter 10 og sandsnlighedsparameter p: Dette kan gøre ved at henvise til B&L side 120 og i øvrigt bemærke at antagelserne om uafhængige Bernoulli fordelte variable er opfldt. Punktsandsnligheden udregnes som 10 P (X = 5) = (0:20) 5 (1 0:20) 5 = 0: Det forventede antal jobskift i løbet af en 10 års periode E(X) kan udregnes, idet man bentter at middelværdien i en binomialfordeling er (se B&L side 123) np : E(X) = 10 0:2 = 2: Alternativt kan man direkte udregne middelværdien som E(X) = E(D 1 +D 2 +:::+D 10 ) = 100:2: 3. De studerende skal i ord forklare hvad antagelsen "D i og D j er uafhængige for i 6= j" betder. Her er der ere måde at forklare det på f.eks ved at argumentere for, at det betder at sandsnligheden for at skifte job i år er upåvirket af om man skiftede job sidste år. Det er vigtigt, at de studerende viser, at de forstår begrebet uafhængighed. Det er acceptablet, hvis de studerende her gør rede for, hvad det vil sige, hvis der ikke er uafhængighed. Rimeligheden i antagelsen skal diskuteres. Her kan f.eks. nævnes at hvis personen tilstræber at have et job i mindst to år vil uafhængighedsantagelsen ikke være opfldt, idet sandsnligheden for at skifte job vil være lavere hvis man sidste år skiftede job.. 4. Det antages, at vi ser på en person, som kommer ind på arbejdsmarkedet i år 1: T 1 er længden af første ansættelse. (a) De studerende skal argumente for at P (T 1 = 8) = P (D 1 = D 2 = D 3 = ::: = D 7 = 0; D 8 = 1): Dette kan gøres verbalt, idet, man kan argumentere at hvis længden af den første ansættelse er præcis 8 år, betder det at personen skal beholde sit job i de første 7 år men i det ottende år skifte job. Altså der gælder at 8 er det samme som D 1 = D 2 = D 3 = ::: = D 7 = 0; D 8 = 1 1
2 (b) Sandsnligheden for at længden af første ansættelse er 8 år: P (T 1 = 8) kan udregnes på to måder. De studerende kan direkte tage udgangspunkt i udtrkket for spørgsmål 4.a og så bentte at der er uafhængighed mellem D 0 erne P ( 8) = P (D 1 = D 2 = D 3 = ::: = D 7 = 0; D 8 = 1) = P (D 1 = 0) P (D 2 = 0) :::: P (D 7 = 0) P (D 8 = 1) = (1 p) (1 p) (1 p) (1 p) (1 p) (1 p) (1 p) p = (1 p) 7 p = 0:8 7 0:20 = 0:042 Alternativ kan de studerende redegøre for at T er geometrisk fordelt med sandsnlighedsparameter p(se B&L side 131) og udregne punktsandsnligheden som P ( 8) = (1 p) 7 p = 0:8 7 0:20 = 0: De studerende skal her redegøre for at T 1 er geometrisk fordelt. Det er vigtigt at de studerende gør rede for at forudsætningerne er opfldt (se B&L side 131). 6. T 2 er længden af den anden ansættelse. De studerende skal her angive fordelingen af T 1 + T 2 ; som er negativt binomialfordelt med sandsnlighedsparameter p og r = 2: Fordelingen kan f.eks. bestemmes ved at bentte eksemple 4.4b i B&L side 131. De studerende bør bemærke at alle forudsætningerne (identiske fordelte uafhængige Bernoullifordelt variable) er opfldt. Opgave 2 Lad M være en stokastisk variabel, som angiver jobskifte og tpen af jobskifte indenfor et år. Y er en stokastisk variabel, som angiver den procentuelle årlige lønstigning (bemærk "lønstigninger"kan også være negative, altså lønnedgange). 1. Den forventede lønstigning for forskelige personer kan udregnes som betingede middelværdier. Ved at anvende formlen for betingede middelværdier (se B&L side 85) udregnes følgende: (a) E(Y jm = IJ) = 5 0: : : :1 = 1 (b) E(Y jm = F J) = 5 0: : : :20 = 3:5 (c) E(Y jm = UJ) = 5 0: : : = 1:5 2. Den marginale sandsnlighed P (Y = 5%) kan udregnes ved at anvende B&L formel (5) side 65. Her skal de studerende indse, at fm = IJg; fm = F Jg; fm = UJg er hele udfaldsrummet opdelt i disjunkte hændelser (partition): P (Y = 5%) = P (Y = 5%jM = IJ) P (M = IJ) + P (Y = 5%jM = F J) P (M = F J) +P (Y = 5%jM = UJ) P (M = UJ) = 0:15 0:80 + 0:10 0:15 + 0:50 0:05 = 0:16 3. De studerende skal angive at lønstigningen Y og jobmobilitet M ikke er uafhængige. De studerende bør anføre et argument for at uafhængighedsantagelsen ikke er opfldt, f.eks. at de betingede fordelinger i tabel 1 afhænger af M. 4. De studerende skal i ord redegøre for sandsnligheden P (M = U JjY = 5%) : Sandsnligheden for en person som har en 5% lønnedgang ufrivilligt har skiftet job. Sandsnligheden kan udregnes ved at anvende Baes formel (B&L side 59 formel (1)): P (M = UJjY = 5%) = = 0:50 0:05 0:16 = 0:156 P (Y = 5%jM = UJ)P (M = UJ) P (Y = 5%) 2
3 5. Den betingede varians kan udregnes som (se B&L side 92) V (Y jm = IJ) = E(Y 2 jm = IJ) E(Y jm = IJ) 2 = ( 5) 2 0: :60 + (5) 2 0:15 + (10) 2 0:10 (1) 2 = 16:5 6. I praksis observerer man sjældent, om en person skifter job frivilligt eller ufrivilligt, men kun om personen skifter job. De studerende skal udregne den forventede lønstigning for en person som skifter job E(Y jm = F J ellerm = UJ): Denne middelværdi kan beregnes på ere måder. En måde er at anvende B&L formlen øverst side 85 E(Y jm = F J ellerm = UJ) = X f(jm = F J eller M = UJ) = X f(; (M = F J eller M = UJ) P (M = F J eller M = UJ) = X f(; M = F J) + f(; M = UJ) P (M = F J) + P (M = UJ) = X f(; M = F J) P (M = F J) P (M = F J) P (M = F J) + P (M = UJ) + X f(; M = UJ) P (M = UJ) P (M = UJ) P (M = F J) + P (M = UJ) P (M = F J) P (M = UJ) = E(Y jm = F J) + E(Y jm = UJ) P (M = F J) + P (M = UJ) P (M = F J) + P (M = UJ) 0:15 0:05 = 3:5 1:5 0:15 + 0:05 0:15 + 0:05 = 2:25 Andet lighedstegn følger af at anvende de nitionen på betingede sandsnligheder. Tredje lighedstegn følger af at anvende at M = F J og M = UJ er disjunkte mængder. Den betingede middelværdi kan bestemmes som et vægtet gennemsnit af de to betingede middelværdier fra spørgsmål 1.b og 1.c. Hvis de studerende intuitivt kan komme med det korrekte svar, bør dette også regnes som korrekt. Af beregningerne ses, at den "observerede"lønstigning er mindre end lønstigningen ved frivilligt jobskifte. Opgave 3 Vi ønsker at undersøge sandsnligheden for at skifte job. Det antages, at jobskifte mellem 1993 og 1994, X; kan beskrives ved en Bernoulli fordelt variabel med sandsnlighedsparameter p; dvs. P (X = 1) = p: Lad (X 1; X 2 ; X 3 ; :::; X n ) være en tilfældig stikprøve fra populationen af danskere som var beskæftiget i 1993 og Vi vil i det følgende bentte gennemsnittet X = 1 n P n i=1 X i som estimator for p: 1. På baggrund af en tilfældig stikprøve bestående af personer beskrevet i tabel 2 og estimatoren X = 1 P n n i=1 X i udregnes estimatet for p : ^p = X = 220 = 0:207; idet gennemsnittet af Bernoulli variable er lig andellen af 1-taller i stikprøven. 2. De studerende bør redegøre for, hvad det vil sige at en estimator er konsistent. Dernæst skal de studerende vise, at estimatoren X = 1 P n n i=1 X i er en konsistent estimator. Dette kan gøres ved at anvende at E( X) = p og V ( X) p(1 p) = n (se B&L side 372). Der gælder nu at lim E( X) = p og lim V ( X) = 0 n!1 n!1 hvilket er tilstrækkeligt for, at vise at estimatoren er konstistent for p (se B&L side 378). 3
4 3. De studerende skal angive et 90% kon densinterval for parameteren p: Kon densintervallet kan bestemmes ved at bentte B&L formel (6) side 383, hvor k=1.645, idet det bemærkes at stikprøven er stor. r ^p(1 ^p) ^p 1:645 90% Kon densintervallet er [0.187;0.227]. 4. De studerende skal teste nulhpotesen H 0 : p = 0:20 mod alternativhpotesen H A : p > 0:20; hvor der anvendes et 5% signi kansniveau. (a) For at udføre testet bør de studerende redegøre for teststørrelsen. Teststørrelsen, som bør anvendes, er Z-teststørrelsen (se B&L side 432), idet man udntter, at stikprøven er stor, så de asmptotiske resultater kan anvendes. Teststørrelsen er Z = q ^p p 0 p 0(1 p 0) N(0; 1) I dette test er store værdier af Z ekstreme værdier. Teststørrelsens værdi er Z = 0:207 0:20 q 0:200:8 = 0:57 Testsandsnligheden kan (jvf. B&L side 433) udregnes til P = 1 (0:57) = 0:2843: De studerende bør også angive konklusionen på testet, idet man anvender et 5% signi kansniveau. Konklusionen er, at nulhpotesen ikke kan forkastes. (b) De studerende bør redegøre for, at teststørrelsens fordeling er udledt under en række antagelser: populationen er Bernoullifordelt, stikprøven er tilfældig, stikprøven er stor. (c) De studerende bør kunne beskrive hvad signi kansniveauet angiver. Dette kan gøres ved at relatere signi kansniveauet til tpe I fejl. 5. De studerende bør her angive strkefunktionen. For at gøre dette skal man først angive forkastelses området for testet i spørgsmål 4. Forkastelsesområdet er R = [1:645; 1[: Desuden anvendes at p(1 p) ^p N(p; ):Strkefunktionen kan bestemmes idet man anvender B&L eksempel 11.2b side 458-9: (p) = P (Z 2 Rjp) = P (Z > 1:645jp) r 0:2 0:8 = P (^p > 0:2 + 1:645 ) = : 1 : (0:22) = 1 (0:015) = : 1 (0) = 0:5 p! 0:2 p 0:2 0:8 p + 1:645p p(1 p)= p (1 p) Strkefunktionen angiver, at man med ca. 50% sandsnlighed ved forkaste nulhpotesen når p = 0:22: Opgave 4 Det antages, at timelønnen før et jobskifte er normalfordelt Y 1 ~N( 1 ; 2 1); og at timelønnen efter et jobskifte er normalfordelt Y 2 ~N( 2 ; 2 2). Desuden antages, at vi udtager en tilfældig stikprøve af beskæftigede i 1993 og 1994, som skiftede job mellem 1993 og Lad JS være givet ved JS = 2 1 :De studerende skal angive en middelret estimator for JS og redegøre for, at den er middelret. Her er et oplagt valg af estimator (se B&L side 391) ^JS = D = X 2 X1 4
5 Det fremgår direkte af B&L side 391, at estimatoren er middelret. Alternativt kan det vises direkte at estimatoren er middelret: E(^ JS ) = E( X 2 X1 ) = E( X 2 ) E( X 1 ) = 2 1 = JS : Andre middelrette estimatorer skal også regnes for et korrekt svar. 2. De studerende skal angive estimatet for JS baseret på estimatoren fra spørgsmål 1 og stikprøven gengivet i tabel 3. Estimatet er (med estimatoren fra spørgsmål 1) ^JS = 142:19 134:74 = 7:45 3. De studerende skal kunne gennemføre et test for hpotesen H 0 : JS = 0 mod alternativ hpotesen H A : JS 6= 0 på et 5% signi kansniveau. For at gøre dette bør de studerende angive teststørrelsen og teststørrelsens fordeling. Teststørrelsen kan i dette tilfælde ndes ved bentte B&L side 509, som er en teststørrelse for parvise observationer. De studerende bør bemærke, at der her er tale om parvise observationer (de to stikprøver er ikke uafhængige). Teststørrelsen er D p 0 ~t(n 1); S 2 D =n med 0 = 0 og n = 31: Værdien af teststørrelsen for den konkrete stikprøve kan udregnes til 7:45 p 366:52=31 = 2:17: Testet kan udføres enten ved at udregne testsandsnligheden eller at anvende et forkastelsesområde. Begge metoder skal regnes for et korrekt svar. Benttes testsandsnligheden, skal de studerende redegøre for, at både store og små værdier af teststørrelsen taler for alternativ hpotesen. Testsandsnligheden er derfor P = 2P (T > 2:17) : = 2 P (T > 2:2) = 2 0:018 = 0:038 I tabel IIIb kan halesandsnligheden for en t-fordeling med 30 frihedsgrader bestemmes for værdien 2.2. Dette kan anvendes som en approksimation. De studerende bør angive hvad konklusionen på testet er, nemlig at nulhpotesen forkastes, idet P < 0:05. Alternativt kan testet udføres ved anvendelse af et forkastelsesområde. I dette tilfælde er forkastelsesområdet bestemt ved 2.5% fraktilen og 97.5 % fraktilen i en t-fordeling med 30 frihedsgrader. Da R sluttes at nulhpotesen forkastes. R =] 1; 2:04] [ [2:04; 1[: 4. På baggrund af en stikprøve af personer, som ikke skifter job mellem 1993 og 1994, undersøger man ændringen i timelønnen fra 1993 til Lad IJ angive ændringen i timelønnen for personer som ikke skifter job. (a) De studerende skal i ord beskrive nulhpotesen H 0 : JS = IJ : Det er her vigtigt, at de studerende er i stand til at redegøre for den økonomiske betdning af hpotesen. Denne hpotese angiver at den forventede lønstigningen mellem 1993 og 94 var den samme for personer som skiftede job og ikke skiftede job. Hpotesen i spørgsmål 3 angiver at den forventede lønstigning er lig 0. (b) De studerende skal angive et estimat for IJ. Analogt til spørgsmål 1 og 2, kan estimatet direkte a æses fra tabel 4 til ^IJ = 3:25: De studerende bør bemærke, at estimatet er lavere end estimatet for den forventede lønstigning for personer, som skifter job JS : 5
6 5. Det antages, at variansen for timelønsændringen (Y 2 Y 1 ) er den samme for personer, uanset om de skifter job eller ej. De studerende skal teste hpotesen H 0 : JS = IJ mod alternativ hpotesen H A : JS > IJ. De studerende skal her selv angive hvilket signi kansniveau de anvender. I denne besvarelse anvendes et 5% signi kansniveau, andre rimelige niveuaer skal også godtages. Testet er et test for sammenligning af to populationer. Teststørrelsen bestemmes som (se B&L side 499) D JS DIJ q ~t(n JS + n IJ 2): Sp(1=n 2 JS + 1=n IJ ) For de to stikprøver kan teststørrelsen beregnes først S 2 p (se B&L side 498) Sp 2 = : :15 = 203: :45 3:35 p = 1:54 203:68(1=31 + 1=362) Konklusionen på testet kan opnås enten ved at nde forkastelsesområdet eller testsandsnligheden. Forkastelsesområdet kan bestemmes idet teststørrelsen er t-fordelt med 391 frihedsgrader, som approksimeres med en normalfordeling. Da testet er ensidet benttes 95% fraktilen i en normalfordeling R = [1:645; 1[: Det ses, at nulhpotesen ikke kan forkastes (hvis man anvender et 5% signi kansniveau). Alternativt kan testsandsnligheden beregnes P = 1 (1:54) = ( 1:54) = 0:0618: Konklusionen er, at nulhpotesen ikke kan forkastes. Der er altså ikke signi kant forskel på den forventede lønstigning for personer, som skifter job og personer, som ikke skifter job. 6
Rettevejledning til eksamen i Kvantitative metoder 1, 2. årsprøve 2. januar 2007
Rettevejledning til eksamen i Kvantitative metoder 1,. årsprøve. januar 007 I rettevejledningen henvises der til Berry and Lindgren "Statistics Theory and methods"(b&l) hvis ikke andet er nævnt. Opgave
Læs mereKvantitative Metoder 1 - Forår 2007
Dagens program Estimation: Kapitel 9.1-9.3 Estimation Estimationsfejlen Bias Eksempler Bestemmelse af stikprøvens størrelse Konsistens De nitioner påkonsistens Eksempler på konsistente og middelrette estimatorer
Læs mereDagens program. Praktisk information:
Dagens program Praktisk information: Husk hjemmeopgaven i statistik Hypoteseprøvning kap. 11.2,11.3 og 11.8 Eksempel på test Styrkefunktionen kap. 11.2 Stikprøvens størrelse kap. 11.3 Likelihood ratio
Læs mereDagens program. Praktisk information: Husk evalueringer af kurset
Dagens program Praktisk information: Husk evalueringer af kurset Hypoteseprøvning kap. 11.1-11.3 Fokastelsesområdet kap. 11.1 Type I og Type II fejl kap. 11.1 Styrkefunktionen kap. 11.2 Stikprøvens størrelse
Læs mereKvantitative Metoder 1 - Forår 2007
Dagens program Kapitel 8.7, 8.8 og 8.10 Momenter af gennemsnit og andele kap. 8.7 Eksempel med simulationer Den centrale grænseværdisætning (Central Limit Theorem) kap. 8.8 Simulationer Normalfordelte
Læs mereKvantitative Metoder 1 - Efterår Dagens program
Dagens program Estimation: Kapitel 9.7-9.10 Estimationsmetoder kap 9.10 Momentestimation Maximum likelihood estimation Test Hypoteser kap. 10.1 Testprocedure kap 10.2 Teststørrelsen Testsandsynlighed 1
Læs mereNanostatistik: Opgavebesvarelser
Nanostatistik: Opgavebesvarelser JLJ Nanostatistik: Opgavebesvarelser p. 1/16 Pakkemaskine En producent hævder at poserne indeholder i gennemsnit 16 ounces sukker. Data: 10 pakker sukker: 16.1, 15.8, 15.8,
Læs mereKvantitative Metoder 1 - Forår 2007. Dagens program
Dagens program Hypoteser: kap: 10.1-10.2 Eksempler på Maximum likelihood analyser kap 9.10 Test Hypoteser kap. 10.1 Testprocedure kap 10.2 Teststørrelsen Testsandsynlighed 1 Estimationsmetoder Kvantitative
Læs mereKvantitative Metoder 1 - Forår 2007
Dagens program Kapitel 4: Diskrete fordelinger Afsnit 4.1-4.2, 4.7: Bernoulli fordeling Binomial fordeling Store Tals Lov (Laws of Averages, Laws of Large Numbers) 1 Bernoulli fordeling Kvantitative Metoder
Læs mereSupplement til kapitel 7: Approksimationen til normalfordelingen, s. 136
Supplement til kapitel 7: Approksimationen til normalfordelingen, s. 36 Det er besværligt at regne med binomialfordelingen, og man vælger derfor ofte at bruge en approksimation med normalfordeling. Man
Læs mereRegneregler for middelværdier M(X+Y) = M X +M Y. Spredning varians og standardafvigelse. 1 n VAR(X) Y = a + bx VAR(Y) = VAR(a+bX) = b²var(x)
Formelsamlingen 1 Regneregler for middelværdier M(a + bx) a + bm X M(X+Y) M X +M Y Spredning varians og standardafvigelse VAR(X) 1 n n i1 ( X i - M x ) 2 Y a + bx VAR(Y) VAR(a+bX) b²var(x) 2 Kovariansen
Læs mereKonfidensintervaller og Hypotesetest
Konfidensintervaller og Hypotesetest Konfidensinterval for andele χ -fordelingen og konfidensinterval for variansen Hypoteseteori Hypotesetest af middelværdi, varians og andele Repetition fra sidst: Konfidensintervaller
Læs mereKvantitative metoder 2
Kvantitative metoder 2 Specifikation og dataproblemer 2. maj 2007 KM2: F22 1 Program Specifikation og dataproblemer, fortsat (Wooldridge kap. 9): Betydning af målefejl Dataudvælgelse: Manglende observationer
Læs mereLøsning eksamen d. 15. december 2008
Informatik - DTU 02402 Introduktion til Statistik 2010-2-01 LFF/lff Løsning eksamen d. 15. december 2008 Referencer til Probability and Statistics for Engineers er angivet i rækkefølgen [8th edition, 7th
Læs mereLøsninger til kapitel 9
Opgave 9.1 a) test for spredning, ensidet b) test for middelværdi, ensidet c) test for andel, ensidet d) test for to andele, ensidet e) test for spredning, tosidet f) test for middelværdi, ensidet g) test
Læs mereForelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup)
Kursus 02402 Introduktion til Statistik Forelæsning 5: Kapitel 7: Inferens for gennemsnit (One-sample setup) Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske
Læs mereAgenda Sandsynlighedsregning. Regneregler (kap. 3-4) Fordelinger og genkendelse af fordelinger (kap. 3-5) Simultane, marginale og betingede
Agenda Sandsynlighedsregning. Regneregler (kap. 3-4) Fordelinger og genkendelse af fordelinger (kap. 3-5) Simultane, marginale og betingede fordelinger (kap. 4) Middelværdi og varians (kap. 3-4) Fordelingsresultater
Læs mereTema. Dagens tema: Indfør centrale statistiske begreber.
Tema Dagens tema: Indfør centrale statistiske begreber. Model og modelkontrol Estimation af parametre. Fordeling. Hypotese og test. Teststørrelse. konfidensintervaller Vi tager udgangspunkt i Ex. 3.1 i
Læs mereProgram. 1. Repetition 2. Fordeling af empirisk middelværdi og varians, t-fordeling, begreber vedr. estimation. 1/18
Program 1. Repetition 2. Fordeling af empirisk middelværdi og varians, t-fordeling, begreber vedr. estimation. 1/18 Fordeling af X Stikprøve X 1,X 2,...,X n stokastisk X stokastisk. Ex (normalfordelt stikprøve)
Læs mere3 Stokastiske variable 3.1 Diskrete variable
3 Stokastiske variable 3.1 Diskrete variable Punktsandsnligheden benævnes P(x) = P(X = x). {x, P(x)} er en sandsnlighedsfordeling for den stokastiske variabel, X, hvis 1) P(x) $ 0 for alle værdier af x.
Læs mereHypotesetest. Altså vores formodning eller påstand om tingens tilstand. Alternativ hypotese (hvis vores påstand er forkert) H a : 0
Hypotesetest Hypotesetest generelt Ingredienserne i en hypotesetest: Statistisk model, f.eks. X 1,,X n uafhængige fra bestemt fordeling. Parameter med estimat. Nulhypotese, f.eks. at antager en bestemt
Læs mere! Proxy variable. ! Målefejl. ! Manglende observationer. ! Dataudvælgelse. ! Ekstreme observationer. ! Eksempel: Lønrelation (på US data)
Dagens program Økonometri 1 Specifikation, og dataproblemer 10. april 003 Emnet for denne forelæsning er specifikation (Wooldridge kap. 9.-9.4)! Proxy variable! Målefejl! Manglende observationer! Dataudvælgelse!
Læs mereStikprøver og stikprøve fordelinger. Stikprøver Estimatorer og estimater Stikprøve fordelinger Egenskaber ved estimatorer Frihedsgrader
Stikprøver og stikprøve fordelinger Stikprøver Estimatorer og estimater Stikprøve fordelinger Egenskaber ved estimatorer Frihedsgrader Statistik Statistisk Inferens: Prediktere og forekaste værdier af
Læs mereOversigt over nyttige fordelinger
Oversigt over nyttige fordelinger Helene Regitze Lund Wandsøe November 14, 2011 1 Bernoulli-fordelingen 1 Når et eksperiment har to mulige udfald: succes eller fiasko. X er en stokastisk variabel med følgende
Læs mereTema. Model og modelkontrol ( Fx. en normalfordelt obs. række m. kendt varians) Estimation af parametre. Fordeling. Hypotese og test. Teststørrelse.
Tema Model og modelkontrol ( Fx. en normalfordelt obs. række m. kendt varians) Estimation af parametre. Fordeling. (Fx. x. µ) Hypotese og test. Teststørrelse. (Fx. H 0 : µ = µ 0 ) konfidensintervaller
Læs mereKvantitative Metoder 1 - Efterår 2006. Dagens program
Dagens program Afsnit 2.4-2.5 Bayes sætning Uafhængige stokastiske variable - Simultane fordelinger - Marginale fordelinger - Betingede fordelinger Uafhængige hændelser - Indikatorvariable Afledte stokastiske
Læs mereHvad er danskernes gennemsnitshøjde? N = 10. X 1 = 169 cm. X 2 = 183 cm. X 3 = 171 cm. X 4 = 113 cm. X 5 = 174 cm
Kon densintervaller og vurdering af estimaters usikkerhed Claus Thorn Ekstrøm KU Biostatistik ekstrom@sund.ku.dk Marts 18, 2019 Slides @ biostatistics.dk/talks/ 1 Population og stikprøve 2 Stikprøvevariation
Læs mereStatistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Statistisk Model
Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Statistisk Model Indhold Binomialfordeling Sandsynlighedsfunktion Middelværdi og spredning 1 Aalen: Innføring i statistik med medisinske eksempler
Læs mereUge 43 I Teoretisk Statistik, 21. oktober Forudsigelser
Uge 43 I Teoretisk Statistik,. oktober 3 Simpel lineær regressionsanalyse Forudsigelser Fortolkning af regressionsmodellen Ekstreme observationer Transformationer Sammenligning af to regressionslinier
Læs mereKvantitative Metoder 1 - Forår 2007
Dagens program Kapitel 4: Diskrete fordelinger Hypergeometrisk fordeling, Afsnit 4.3 Multinomial fordeling, Afsnit 4.8 Geometrisk fordeling og Negativ binomialfordeling (Inverse Sampling), Afsnit 4.4 Approksimation
Læs mereNanostatistik: Test af hypotese
Nanostatistik: Test af hypotese JLJ Nanostatistik: Test af hypotese p. 1/50 Repetition n uafhængige gentagne målinger: Fordelingsundersøgelse: Pindediagram / Histogram qq-plot Parameter: egenskab ved fordeling
Læs mereUge 48 II Teoretisk Statistik 27. november 2003. Numerisk modelkontrol af diskrete fordelinger: intro
Uge 48 II Teoretisk Statistik 7. november 003 Numerisk modelkontrol af diskrete fordelinger: intro Eksempel: kvalitetskontrol Goodness-of-fit test: generel teori Endeligt udfaldsrum Udfaldsrum uden øvre
Læs mereTrin 1: Formuler hypotese Spørgsmål der ønskes testet vha. data H 0 : Nul hypotese Formuleres som en ligheds hændelse
Statistik 7. gang 9. HYPOTESE TEST Hypotesetest ved 6 trins raket! : Trin : Formuler hypotese Spørgsmål der ønskes testet vha. data H 0 : Nul hypotese Formuleres som en ligheds hændelse H eller H A : Alternativ
Læs mereNATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET.
NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET. Eksamen i Statistik 1TS Teoretisk statistik Den skriftlige prøve Sommer 2002 3 timer - alle hjælpemidler tilladt Det er tilladt at skrive
Læs mereStatDataN: Test af hypotese
StatDataN: Test af hypotese JLJ StatDataN: Test af hypotese p. 1/69 Repetition n uafhængige gentagne målinger: Fordelingsundersøgelse: Pindediagram / Histogram qq-plot Parameter: egenskab ved fordeling
Læs mereI dag. Statistisk analyse af en enkelt stikprøve med kendt varians Sandsynlighedsregning og Statistik (SaSt) Eksempel: kobbertråd
I dag Statistisk analyse af en enkelt stikprøve med kendt varians Sandsynlighedsregning og Statistik SaSt) Helle Sørensen Først lidt om de sidste uger af SaSt. Derefter statistisk analyse af en enkelt
Læs mereHvis α vælges meget lavt, bliver β meget stor. Typisk vælges α = 0.01 eller 0.05
Statistik 7. gang 9. HYPOTESE TEST Hypotesetest ved 6 trins raket! : Trin : Formuler hypotese Spørgsmål der ønskes testet vha. data H : Nul hypotese Formuleres som en ligheds hændelse H eller H A : Alternativ
Læs mereOm hypoteseprøvning (1)
E6 efterår 1999 Notat 16 Jørgen Larsen 11. november 1999 Om hypoteseprøvning 1) Det grundlæggende problem kan generelt formuleres sådan: Man har en statistisk model parametriseret med en parameter θ Ω;
Læs mereStatistiske modeller
Statistiske modeller Statistisk model Datamatrice Variabelmatrice Hændelse Sandsynligheder Data Statistiske modeller indeholder: Variable Hændelser defineret ved mulige variabel værdier Sandsynligheder
Læs mereVejledende besvarelse af eksamen i Statistik for biokemikere, blok
Opgave 1 Vejledende besvarelse af eksamen i Statistik for biokemikere, blok 2 2006 Inge Henningsen og Niels Richard Hansen Analysevariablen i denne opgave er variablen forskel, der for hver af 10 kvinder
Læs mereIkke-parametriske metoder. Repetition Wilcoxon Signed-Rank Test Kruskal-Wallis Test Friedman Test Chi-i-anden Test
Ikkeparametriske metoder Repetition Wilcoxon SignedRank Test KruskalWallis Test Friedman Test Chiianden Test Run Test Er sekvensen opstået tilfældigt? PPPKKKPPPKKKPPKKKPPP Et run er en sekvens af ens elementer,
Læs mere02402 Vejledende løsninger til hjemmeopgaver og øvelser, Uge 4
02402 Vejledende løsninger til hjemmeopgaver og øvelser, Uge 4 Vejledende løsning 5.46 P (0.010 < error < 0.015) = (0.015 0.010)/0.050 = 0.1 > punif(0.015,-0.025,0.025)-punif(0.01,-0.025,0.025) [1] 0.1
Læs mereStatistik Lektion 20 Ikke-parametriske metoder. Repetition Kruskal-Wallis Test Friedman Test Chi-i-anden Test
Statistik Lektion 0 Ikkeparametriske metoder Repetition KruskalWallis Test Friedman Test Chiianden Test Run Test Er sekvensen opstået tilfældigt? PPPKKKPPPKKKPPKKKPPP Et run er en sekvens af ens elementer,
Læs mereKursusindhold: X i : tilfældig værdi af ite eksperiment. Antag X i kun antager værdierne 1, 2,..., M.
Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet March 1, 2013 Sandsynlighedsregning og lagerstyring Normalfordelingen
Læs mereProdukt og marked - matematiske og statistiske metoder
Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet February 11, 2016 1/22 Kursusindhold: Sandsynlighedsregning og lagerstyring
Læs mereBinomialfordelingen. X ~ bin(n,p): X = antal "succeser" i n uafhængige forsøg, der alle har samme sandsynlighed p for at ende med succes.
Uge 9 Teoretisk Statistik 23. februar 24 1. Binomialfordelingen 2. Den hypergeometriske fordeling 3. Poissonfordelingen 4. Den negative binomialfordeling 5. Gammafordelingen Binomialfordelingen X ~ bin(n,p):
Læs mereStatistik Lektion 3. Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen
Statistik Lektion 3 Simultan fordelte stokastiske variable Kontinuerte stokastiske variable Normalfordelingen Repetition En stokastisk variabel er en funktion defineret på S (udfaldsrummet, der antager
Læs mereSandsynlighedsregning Oversigt over begreber og fordelinger
Tue Tjur Marts 2007 Sandsynlighedsregning Oversigt over begreber og fordelinger Stat. MØK 2. år Kapitel : Sandsynlighedsfordelinger og stokastiske variable En sandsynlighedsfunktion på en mængde E (udfaldsrummet)
Læs mereNATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET.
NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET. Eksamen i Statistik 1TS Teoretisk statistik Den skriftlige prøve Sommer 2003 3 timer - alle hjælpemidler tilladt Det er tilladt at skrive
Læs mereTænk på a og b som to n 1 matricer. a 1 a 2 a n. For hvert i = 1,..., n har vi y i = x i β + u i.
Repetition af vektor-regning Økonometri: Lektion 3 Matrix-formulering Fordelingsantagelse Hypotesetest Antag vi har to n-dimensionelle (søjle)vektorer a 1 b 1 a 2 a =. og b = b 2. a n b n Tænk på a og
Læs mereElementær sandsynlighedsregning
Elementær sandsynlighedsregning Sandsynlighedsbegrebet Et udfaldsrum S er mængden af alle de mulige udfald af et eksperiment. En hændelse A er en delmængde af udfaldsrummet S. Den hændelse, der ikke indeholder
Læs mereMLR antagelserne. Antagelse MLR.1:(Lineære parametre) Den statistiske model for populationen kan skrives som
MLR antagelserne Antagelse MLR.1:(Lineære parametre) Den statistiske model for populationen kan skrives som y = β 0 + β 1 x 1 + β 2 x 2 + + β k x k + u, hvor β 0, β 1, β 2,...,β k er ukendte parametere,
Læs mere3.600 kg og den gennemsnitlige fødselsvægt kg i stikprøven.
PhD-kursus i Basal Biostatistik, efterår 2006 Dag 1, onsdag den 6. september 2006 Eksempel: Sammenhæng mellem moderens alder og fødselsvægt I dag: Introduktion til statistik gennem analyse af en stikprøve
Læs mereNote til styrkefunktionen
Teoretisk Statistik. årsprøve Note til styrkefunktionen Først er det vigtigt at gøre sig klart, at når man laver statistiske test, så kan man begå to forskellige typer af fejl: Type fejl: At forkaste H
Læs mereSkriftlig eksamen Science statistik- ST501
SYDDANSK UNIVERSITET INSTITUT FOR MATEMATIK OG DATALOGI Skriftlig eksamen Science statistik- ST501 Torsdag den 21. januar Opgavesættet består af 5 opgaver, med i alt 13 delspørgsmål, som vægtes ligeligt.
Læs mereNanostatistik: Konfidensinterval
Nanostatistik: Konfidensinterval JLJ Nanostatistik: Konfidensinterval p. 1/37 Fraktilpåmindelse u p : Φ(u p ) = p, Φ( z ) = 1 Φ( z ) t p [f] : F t[f] (t p [f]) = p, F t[f] ( t ) = 1 F t[f] ( t ) F-fordeling:
Læs mereElementær sandsynlighedsregning
Elementær sandsynlighedsregning Sandsynlighedsbegrebet Et udfaldsrum S er mængden af alle de mulige udfald af et eksperiment. En hændelse A er en delmængde af udfaldsrummet S. Et sandsynlighedsmål er en
Læs mereNote om Monte Carlo metoden
Note om Monte Carlo metoden Kasper K. Berthelsen Version 1.2 25. marts 2014 1 Introduktion Betegnelsen Monte Carlo dækker over en lang række metoder. Fælles for disse metoder er, at de anvendes til at
Læs mereOpgave 11.4 side 316 (7ed: 11.4, side 352 og 6ed: 11.2, side 345)
Kursus 4: Besvarelser til øvelses- og hjemmeopgaver i uge 11 Opgave 11.4 side 316 (7ed: 11.4, side 35 og 6ed: 11., side 345) Opgaven består i at foretage en regressionsanalse. Først afbildes data som i
Læs mereMatematik A. Studentereksamen. Forberedelsesmateriale til de digitale eksamensopgaver med adgang til internettet
Matematik A Studentereksamen Forberedelsesmateriale til de digitale eksamensopgaver med adgang til internettet stx11-matn/a-080501 Tirsdag den 8. maj 01 Forberedelsesmateriale til stx A Net MATEMATIK Der
Læs mereAnvendt Statistik Lektion 5. Sammenligning af to grupper * Sammenligning af middelværdier * Sammenligning af andele
Anvendt Statistik Lektion 5 Sammenligning af to grupper * Sammenligning af middelværdier * Sammenligning af andele Motiverende eksempel Antal minutter brugt på rengøring/madlavning: Rengøring/Madlavning
Læs mereModul 7: Eksempler. 7.1 Beskrivende dataanalyse. 7.1.1 Diagrammer. Bent Jørgensen. Forskningsenheden for Statistik ST501: Science Statistik
Forskningsenheden for Statistik ST501: Science Statistik Bent Jørgensen Modul 7: Eksempler 7.1 Beskrivende dataanalyse............................... 1 7.1.1 Diagrammer.................................
Læs mereKvantitative metoder 2
Kvantitative metoder 2 Den multiple regressionsmodel 5. marts 2007 regressionsmodel 1 Dagens program Emnet for denne forelæsning er stadig den multiple regressionsmodel (Wooldridge kap. 3.4-3.5, E.2) Variansen
Læs mereKapitel 7 Forskelle mellem centraltendenser
Kapitel 7 Forskelle mellem centraltendenser Peter Tibert Stoltze stat@peterstoltze.dk Elementær statistik F2011 1 / 29 Indledning 1. z-test for ukorrelerede data 2. t-test for ukorrelerede data med ens
Læs mereBinomial fordeling. n f (x) = p x (1 p) n x. x = 0, 1, 2,...,n = x. x x!(n x)! Eksempler. Middelværdi np og varians np(1 p). 2/
Program: 1. Repetition af vigtige sandsynlighedsfordelinger: binomial, (Poisson,) normal (og χ 2 ). 2. Populationer og stikprøver 3. Opsummering af data vha. deskriptive størrelser og grafer. 1/29 Binomial
Læs mereVejledende besvarelser til opgaver i kapitel 14
Vejledende besvarelser til opgaver i kapitel 14 Opgave 1 a) Det første trin i opstillingen af en hypotesetest er at formulere to hypoteser, hvoraf den ene støtter den teori vi vil teste, mens den anden
Læs mereNormalfordelingen og Stikprøvefordelinger
Normalfordelingen og Stikprøvefordelinger Normalfordelingen Standard Normal Fordelingen Sandsynligheder for Normalfordelingen Transformation af Normalfordelte Stok.Var. Stikprøver og Stikprøvefordelinger
Læs mereKvantitative metoder 2
Kvantitative metoder Heteroskedasticitet 11. april 007 KM: F18 1 Oversigt: Heteroskedasticitet OLS estimation under heteroskedasticitet (W.8.1-): Konsekvenser af heteroskedasticitet for OLS Gyldige test
Læs mereDefinition. Definitioner
Definition Landmålingens fejlteori Lektion Diskrete stokastiske variable En reel funktion defineret på et udfaldsrum (med sandsynlighedsfordeling) kaldes en stokastisk variabel. - kkb@math.aau.dk http://people.math.aau.dk/
Læs mereØkonometri 1. Oversigt. Mere om dataproblemer Gentagne tværsnit og panel data I
Oversigt Økonometri 1 Mere om dataproblemer Gentagne tværsnit og panel data I Info om prøveeksamen Mere om proxyvariabler og målefejl fra sidste gang. Selektion og dataproblemer Intro til nyt emne: Observationer
Læs mereCenter for Statistik. Multipel regression med laggede responser som forklarende variable
Center for Statistik Handelshøjskolen i København MPAS Tue Tjur November 2006 Multipel regression med laggede responser som forklarende variable Ved en tidsrække forstås i almindelighed et datasæt, der
Læs mereOpgave 10.1, side 282 (for 6. og 7. ed. af lærerbogen se/løs opgave 9.1)
Kursus 02402: Besvarelser til øvelsesopgaver i uge 9 Opgave 10.1, side 282 (for 6. og 7. ed. af lærerbogen se/løs opgave 9.1) Som model benyttes en binomialfordeling, som beskriver antallet, X, blandt
Læs mereSchweynoch, 2003. Se eventuelt http://www.mathematik.uni-kassel.de/~fathom/projekt.htm.
Projekt 8.5 Hypotesetest med anvendelse af t-test (Dette materiale har været anvendt som forberedelsesmateriale til den skriftlige prøve 01 for netforsøget) Indhold Indledning... 1 χ -test... Numeriske
Læs mereNATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET.
NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET. Eksamen i Statistik 1 Tag-hjem prøve 1. juli 2010 24 timer Alle hjælpemidler er tilladt. Det er tilladt at skrive med blyant og benytte viskelæder,
Læs mereForelæsning 9: Inferens for andele (kapitel 10)
Kursus 02402 Introduktion til Statistik Forelæsning 9: Inferens for andele (kapitel 10) Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
Læs mereOversigt. Kursus Introduktion til Statistik. Forelæsning 2: Kapitel 4, Diskrete fordelinger. Per Bruun Brockhoff. Stokastiske Variable
Kursus 02402 Introduktion til Statistik Forelæsning 2: Kapitel 4, Diskrete fordelinger Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
Læs mereAnvendt Statistik Lektion 5. Sammenligning af to grupper * Sammenligning af middelværdier * Sammenligning af andele
Anvendt Statistik Lektion 5 Sammenligning af to grupper * Sammenligning af middelværdier * Sammenligning af andele Motiverende eksempel Antal minutter brugt på rengøring/madlavning: Rengøring/Madlavning
Læs mereSkriftlig Eksamen ST501: Science Statistik Tirsdag den 8. juni 2010 kl
Skriftlig Eksamen ST501: Science Statistik Tirsdag den 8. juni 2010 kl. 9.00 12.00 IMADA Syddansk Universitet Alle skriftlige hjælpemidler samt brug af lommeregner er tilladt. Opgavesættet består af 5
Læs mereEt firma tuner biler. Antallet af en bils cylindere er givet ved den stokastiske variabel X med massetæthedsfunktionen
STATISTIK Skriftlig evaluering, 3. semester, mandag den 6. januar 004 kl. 9.00-13.00. Alle hjælpemidler er tilladt. Opgaveløsningen forsynes med navn og CPR-nr. OPGAVE 1 Et firma tuner biler. Antallet
Læs mereForelæsning 2: Kapitel 4, Diskrete fordelinger
Kursus 02402 Introduktion til Statistik Forelæsning 2: Kapitel 4, Diskrete fordelinger Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
Læs mereNanostatistik: Opgaver
Nanostatistik: Opgaver Jens Ledet Jensen, 19/01/05 Opgaver 1 Opgaver fra Indblik i Statistik 5 Eksamensopgaver fra tidligere år 11 i ii NANOSTATISTIK: OPGAVER Opgaver Opgave 1 God opgaveskik: Når I regner
Læs mereKursusindhold: X i : tilfældig værdi af ite eksperiment. Antag X i kun antager værdierne 1, 2,..., M.
Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet February 9, 2015 Sandsynlighedsregning og lagerstyring Normalfordelingen
Læs mereLøsning til prøveeksamen 1
IMM - DTU 020 Probability 2006-2-8 BFN/bfn Løsning til prøveeksamen Spørgsmål ) For en indikatorvariabel I A for hændelsen A gælder E(I A ) = P(A) (se for eksemepl side 68). Således er E(X) = P(N ) = =
Læs mereEksamen i Statistik for biokemikere. Blok
Eksamen i Statistik for biokemikere. Blok 2 2007. Vejledende besvarelse 22-01-2007, Niels Richard Hansen Bemærkning: Flere steder er der givet en argumentation (f.eks. baseret på konfidensintervaller)
Læs mereAnalysestrategi. Lektion 7 slides kompileret 27. oktober 200315:24 p.1/17
nalysestrategi Vælg statistisk model. Estimere parametre i model. fx. lineær regression Udføre modelkontrol beskriver modellen data tilstrækkelig godt og er modellens antagelser opfyldte fx. vha. residualanalyse
Læs mereProgram: 1. Repetition: fordeling af observatorer X, S 2 og t. 2. Konfidens-intervaller, hypotese test, type I og type II fejl, styrke.
Program: 1. Repetition: fordeling af observatorer X, S 2 og t. 2. Konfidens-intervaller, hypotese test, type I og type II fejl, styrke. 1/23 Opsummering af fordelinger X 1. Kendt σ: Z = X µ σ/ n N(0,1)
Læs mereBilledbehandling og mønstergenkendelse: Lidt elementær statistik (version 1)
; C ED 6 > Billedbehandling og mønstergenkendelse Lidt elementær statistik (version 1) Klaus Hansen 24 september 2003 1 Elementære empiriske mål Hvis vi har observationer kan vi udregne gennemsnit og varians
Læs mereLogistisk Regression. Repetition Fortolkning af odds Test i logistisk regression
Logistisk Regression Repetition Fortolkning af odds Test i logistisk regression Logisitks Regression: Repetition Y {0,} binær afhængig variabel X skala forklarende variabel π P( Y X x) Odds(Y X x) π /(-π
Læs mereKursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo
Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet Sandsynlighedsregning og lagerstyring Normalfordelingen og Monte
Læs mereØkonometri 1. Dagens program. Den simple regressionsmodel 15. september 2006
Dagens program Økonometri Den simple regressionsmodel 5. september 006 Den simple lineære regressionsmodel (Wooldridge kap.4-.6) Eksemplet fortsat: Løn og uddannelse på danske data Funktionel form Statistiske
Læs mereOversigt. Kursus Introduktion til Statistik. Forelæsning 9: Inferens for andele (kapitel 10) Per Bruun Brockhoff
Kursus 02402 Introduktion til Statistik Forelæsning 9: Inferens for andele (kapitel 10) Per Bruun Brockhoff DTU Compute, Statistik og Dataanalyse Bygning 324, Rum 220 Danmarks Tekniske Universitet 2800
Læs mereØkonometri 1. Dummyvariabler 13. oktober Økonometri 1: F10 1
Økonometri 1 Dummyvariabler 13. oktober 2006 Økonometri 1: F10 1 Dagens program Dummyvariabler i den multiple regressionsmodel (Wooldridge kap. 7.3-7.6) Dummy variabler for kvalitative egenskaber med flere
Læs mereKursusindhold: Produkt og marked - matematiske og statistiske metoder. Monte Carlo
Kursusindhold: Produkt og marked - matematiske og statistiske metoder Rasmus Waagepetersen Institut for Matematiske Fag Aalborg Universitet Sandsynlighedsregning og lagerstyring Normalfordelingen og Monte
Læs mereLogistisk Regression. Repetition Fortolkning af odds Test i logistisk regression
Logistisk Regression Repetition Fortolkning af odds Test i logistisk regression Logistisk Regression: Definitioner For en binær (0/) variabel Y antager vi P(Y)p P(Y0)-p Eksempel: Bil til arbejde vs alder
Læs meret-fordeling Boxplot af stikprøve (n=20) fra t(2)-fordeling Program ( ): 1. repetition: fordeling af observatorer X, S 2 og t.
t-fordeling Boxplot af stikprøve (n=20) fra t(2)-fordeling Program (8.15-10): 1. repetition: fordeling af observatorer X, S 2 og t. 2. konfidens-intervaller, hypotese test, type I og type II fejl, styrke,
Læs mereAfsnit E1 Konfidensinterval for middelværdi i normalfordeling med kendt standardafvigelse
Afsnit 8.3 - E1 Konfidensinterval for middelværdi i normalfordeling med kendt standardafvigelse Først skal normalfordelingen lige defineres i Maple, så vi kan benytte den i vores udregninger. Dette gøres
Læs mereNATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET.
NATURVIDENSKABELIG KANDIDATEKSAMEN VED KØBENHAVNS UNIVERSITET. Eksamen i Statistik 1TS Teoretisk statistik Den skriftlige prøve Sommer 2005 3 timer - alle hjælpemidler tilladt Det er tilladt at skrive
Læs mereUndervisningsnoter til øvelse i Panel Modeller. %, it. E(x kjs
4 I afsnit 3 beskæftigede vi os med 1EC modellen og viste, hvordan den kunne estimereres med FGLS - bla under forudsætning af, at det individspecifikke stokastiske led er ukorreleret med de forklarende
Læs mereTeoretisk Statistik, 9 marts nb. Det forventes ikke, at alt materialet dækkes d. 9. marts.
Teoretisk Statistik, 9 marts 2005 Empiriske analoger (Kap. 3.7) Normalfordelingen (Kap. 3.12) Opsamling på Kap. 3 nb. Det forventes ikke, at alt materialet dækkes d. 9. marts. 1 Empiriske analoger Betragt
Læs mereVejledende løsninger til opgaver i kapitel 6
Vejledende løsninger til opgaver i kapitel Opgave 1: a) Den stokastiske variabel, X, der angiver, om en elev består, X = 1, eller dumper, X =, sin eksamen i statistik. b) En binomialfordelt variabel fremkommer
Læs mere