Fasit 1) a)P(T>1)=P(T≠1)=1-P(T=1) = 1-1/6 = 5/6 ≈ 83.3%. Evt. P(T>1)=p(T=2)+P(T=3)+P(T=4)+P(T=5)+ P(T=6)=5/6. P(T=2 | T≠1) = P(T=2 og T≠1)/P(T≠1) = (1/6)/(5/6)

Slides:



Advertisements
Liknende presentasjoner
1 Sannsynlighetsregning Gjenfinningssystemer og verktøy II Jon Anjer.
Advertisements

Sammenheng mellom flere variabler – Bivariat Analyse
Kap 07 Diskrete sannsynlighetsfordelinger
Kap 12 Korrelasjon / Regresjon
Naturfag klasse Av: Karina Schjølberg
Kap 10 Estimering.
Korteste vei. LOG530 Distribusjonsplanlegging 2 2 Ofte står en overfor ønsket om å finne korteste kjørerute fra et gitt utgangspunkt til et ønsket bestemmelsessted.
Enhalet og tohalet hypotesetest
STATISTISK GENERALISERING
Hvordan får man data og modell til å passe sammen?
Hvordan får man data og modell til å passe sammen?
Statistikk og hydrologi
Kurs i praktisk bruk av Bayesianske metoder.
Denne koden skal gi svar på følgende:
Hvordan får man data og modell til å passe sammen?
Denne koden skal gi svar på følgende:
Valuing Stock Options:The Black-Scholes-Merton Model
Kapittel 14 Simulering.
Kapittel 11: Investeringsanalyse og prisstigning
Eksempel AOA (Activity On Arc)
Regresjonskritikk I Den beste modellen – men hvor god er denne modellen? God nok? Regresjonsanalysens forutsetninger – oversikt over mulige problemer 1:
Mer grunnleggende matte: Forberedelse til logistisk regresjon
Om semesteroppgaven Krav til den avhengige variabelen
Ubalansert nettverk med felles produksjonsressurser.
Velg Slide-Show fra PowerPoint-menyen og klikk med venstre museknapp!
Kap 13 Sammenligning av to grupper
Kap 06 Diskrete stokastiske variable
Kap 03 Beskrivende statistikk
Harald Romstad Høgskolen i Hedmark
Oppgaver 1)Vi anser hvert av de seks utfallene på en terning for å være like sannsynlig og at to ulike terningkast er uavhengige. a)Hva er sannsynligheten.
Korrelasjon Frode Svartdal UiTø 2014.
Diskrete stokastiske variable
De 222 mest brukte ordene i det norske språket..
Forelesning 7 HSTAT1101 Ola Haug Norsk Regnesentral
Presentasjon av data: deskriptiv statistikk
Bayesiansk statistikk Petter Mostad Overblikk Tilbakeblikk på sannsynlighetsbegrepet Hvordan gjøre Bayesianske analyser Analyser ved hjelp.
Hypotesetesting, og kontinuerlige stokastiske variable
Mål for sentraltendens:
Siste forelesning er i morgen!
1 Klikk for fasit! Klikk for fasit!
Regresjon Petter Mostad
Forelesning 5 HSTAT1101 Ola Haug Norsk Regnesentral
Forelesning 6 HSTAT1101 Ola Haug Norsk Regnesentral
Korteste vei. LOG530 Distribusjonsplanlegging 2 2 Ofte står en overfor ønsket om å finne korteste kjørerute fra et gitt utgangspunkt til et ønsket bestemmelsessted.
Kræsjkurs Del Ii Hypotesetesting
 Vi ønsker å tilpasse en rett linje gjennom dataskyen  Denne linjen skal ha den beste tilpasningen (minst feil) til data.
 Begreper  ANOVAAnalysis of Variance  Sum of Squares (Sammenlign med formelen for varians) Sir Ronald Aylmer Fisher
A 4 / 5 / 6 B 8 / 10 / 13 C 9 / 12 / 16 D 7 / 8 / 9 E 5 / 6 / 8 Når vi skal beregne et PERT-nettverk tar vi utgangspunkt i forventet varighet for alle.
M1 årskurs HVE 7. september 2009
Stian Grønning Master i samfunnsøkonomi Daglig leder i Recogni.
Statistikk Forkurs Hva er statistikk? undersøke registrere lage oversikt→ Presentasjon av informasjon formidle Arbeidet med statistikk kan vi dele.
MAT0100V Sannsynlighetsregning og kombinatorikk
Repetisjon av sannsynlighetsregning
Bedriftsundersøkelsen 2017
Statistikk 2 Sentral- og spredningsmål
Kapittel 8: Ikke-parametriske tester
MET 2211 Statistikk og dataanalyse
Repetisjon, del I Metode
Kapittel 7: Hypoteseprøving
SIV : Ett gjennomsnitt Kapittel /12/2018 Fred Wenstøp.
MET 2211 Statistikk og dataanalyse
MET 2211 Statistikk og dataanalyse
Kapittel 11 Kategoriske variabler og normaltilnærmelsen
To relaterte stikkprøver
Figur 17.1 Histogram for alle DNB-kundene i undersøkelsen.
SIV : Kapittel 9 Normalfordelingen 17/01/2019 Fred Wenstøp.
SIV : Kapittel 7 Hypoteseprøving 22/02/2019 Fred Wenstøp.
Kapittel 10 Inferens om gjennomsnitt
Oppsummering fra forrige gang
I dag Konfidensintervall og hypotesetesting – ukjent standardavvik (kap. 7.1) t-fordelingen.
Utskrift av presentasjonen:

Fasit 1) a)P(T>1)=P(T≠1)=1-P(T=1) = 1-1/6 = 5/6 ≈ 83.3%. Evt. P(T>1)=p(T=2)+P(T=3)+P(T=4)+P(T=5)+ P(T=6)=5/6. P(T=2 | T≠1) = P(T=2 og T≠1)/P(T≠1) = (1/6)/(5/6) = 1/5 = 20%. b)P(T 1 =6 og T 2 =6)=P(T 1 =6)P(T 2 =6)=(1/6) 2 =1/36 ≈ 2.8%. c)P(T 1 + T 2 <4)= P(T 1 + T 2 =2)+P(T 1 + T 2 =3)= P(T 1 =1)P(T 2 =1) + P(T 1 =1)P(T 2 =2) + P(T 1 =2)P(T 2 =1)=3/36=1/12 ≈ 8.3%. d)P(T 1 =1 eller T 2 =1) = 1 – P(T 1 ≠1 og T 2 ≠1)=1-(5/6) 2 =11/36 ≈ 30.6%. e)P(T i =1 for en eller annen ’i’ i {1,…,10}) = 1-P(T i ≠1 for alle ’i’ i {1,…,10}) = 1-(5/6) 10 = / = / ≈ 83.8%.

2) Kall det at Alfaelva flommer over sine bredder hendelse A og skadeflom nedenfor Betavatn for hendelse B. Da er P(A)=1/(6*365) og P(B)=1/(3*365). P(A|B)=0.5≠P(A), altså har vi avhengighet mellom hendelse A og B. Videre betyr dette at P(B|A)=P(A|B)*P(B)/P(A)= 0.5*6/3=1=100%. Hvis Alfaelva flommer over vil det derfor alltid være skadeflom nedenfor Betavatn samme dag.

3) a)Null-hypotese, H 0 : p=0.5 for at nye årsverdier skal overstige gammel median. Alternativ hypotese, H a : p>0.5 for at nye årsverdier skal overstige gammel median. (Dette betyr at hendelser der antall årsverdier er mindre enn eller lik 2 ikke er å anse for ekstreme under null-hypotesen). b) P-verdi=P(5 årsverdier over gammel median av 5 mulig eller noe like mye eller mer ekstremt | p=.5)= P(5 årsverdier over gammel median av 5 mulig | p=0.5)= ≈3.1%. c) Alternativ hypotese er p≠0.5 => 5 årsverdier av under gammel median er like ekstremt. => P-verdi=2*0.5 5 ≈6.3%.

4) Hvis vi har en eller annen skadeflom som kvalifiserer til å være tilstrekkelig stort i vårt datamaterialet, blir sannsynligheten for å få dette eksakt null under null-hypotesen. Dermed er signifikansnivået i dette tilfelle uinteressant (så lenge vi har et signifikansnivå). Ønsker å se på styrken av alternativ hypotese under forutsetning av at p=0.02. Ønsker sannsynlighet på 80% for dette. P(minst en skadeflom i løpet av n år)=1-P(ingen skadeflom i løpet av n år)=80%= P(ingen skadeflom i løpet av n år)=0.2 => P(ingen skadeflom et år) n =0.2 => (1-0.02) n =0.98 n =0.2 => n=log(0.2)/log(0.98)= Trenger altså minst 80 år med data for å få en styrke på 80% for p=0.02.

5) a)For enkeltdata har vi V=8 og at snittet ligger på 10, noe som blir vårt estimat for forventningen. Har at snittet~N(10,8/8)=N(10,1). 95% av sannsynligheten til en normalfordeling ligger i pluss/minus to standardavvik(=1), som betyr at konfidensintervallet blir. b)Null-hypotese, H 0 : m=13 => snitt~N(13,1). Sannsynligheten for at en størrelse skal havne mer enn tre standardavvik unna forventningen er ( %)=0.26%, som blir p-verdien for null-hypotesen. c)Usikker varians betyr at vår test blir mer usikker, som betyr at konfidensintervallet blir større.