Statistikk

Standardisering av normalfordelt stokastisk variabel

Anta at X∼N(μ,σ2)X \sim N(\mu, \sigma^2). Da er

X−μσ2∼N(0,1)\frac{X - \mu}{\sqrt{\sigma^2}} \sim N(0,1)

Forventningsverdi, varians og standardavvik

Krav til ulike fordelinger

Bernoulli forsøksrekke

Binomisk fordeling

Betrakt en Bernoulli forsøksrekkebestående av nn forsøk, og la XX betegne antall suksesser i de nn forsøkene. Da er X∼Bin(n,p)X \sim Bin(n, p).

Hypergeometrisk fordeling

Anta en urne med NN kuler, der kk er røde og N−kN - k er blå. Vi trekker ut nn kuler uten tilbakelegging og lar XX være antall røde trukket ut. Da er X∼Hypergeo(N,k,n)X \sim Hypergeo(N, k, n).

Geometrisk fordeling

Anta en Bernoulli forsøksrekke av uendelig forsøk og la pp betegne sannsynligheten for suksess i hvert forsøk. La XX betegne antall forsøk for nøyaktig én suksess. Da er X∼Geo(p)X \sim Geo(p).

Negativ binomisk fordeling

Anta en Bernoulli forsøksrekke av uendelig forsøk og la pp betegne sannsynligheten for suksess i hvert forsøk. La XX betegne antall forsøk for nøyaktig kk suksesser. Da er X∼NB(k,p)X \sim NB(k, p).

Poissonfordeling

En prosess N(t),t>0N(t), t > 0 kalles en poissonprosess med intensitet λ\lambda hvis følgende krav er oppfylt:

Eksponensialfordeling

La N(t),t>0N(t), t > 0 være en poissonprosess med intensitet λ\lambda, og la XX betegne tidspunktet for den først hendelsen i prosessen. Da er X∼Exp(λ)X \sim Exp(\lambda).

Kikvadratfordeling

La Z1,Z2,…,ZνZ_1, Z_2, \dots, Z_\nu være uavhengige og standard normalfordelte variabler og la X=Z12+Z22+⋯+Zν2X = Z_1^2 + Z_2^2 + \dots + Z_\nu^2. Da er X∼χν2X \sim \chi^2_\nu.

T-fordeling

La Z∼N(0,1)Z \sim N(0, 1) og V∼χν2V \sim \chi^2_\nu være uavhengige stokastiske variabler. La TT være definert ved T=ZVνT = \frac{Z}{\sqrt{\frac{V}{\nu}}}. Da er T∼tνT \sim t_\nu.

Sannsynlighetmaksimeringsestimator (SME)

Konfidensintervall

Vanlige pivotaler

Z=θ^−E[θ^]Var[θ^]∼N(0,1),gitt en normalfordelt estimator θ^. Blir ∼tn−1 dersom σ2 estimeres som S2.Z = \frac{\hat{\theta} - \text{E}[\hat{\theta}]}{\sqrt{\text{Var}[\hat{\theta}]}} \sim N(0, 1), \text{gitt en normalfordelt estimator $\hat{\theta}$. Blir $\sim t_{n - 1}$ dersom $\sigma^2$ estimeres som $S^2$.} \\

Z=Xˉ−μσ2n∼N(0,1),for μ na˚r σ2 er kjentZ = \frac{\bar{X} - \mu}{\sqrt{\frac{\sigma^2}{n}}} \sim N(0, 1), \text{for $\mu$ når $\sigma^2$ er kjent}

T=Xˉ−μS2n∼tn−1,for μ na˚r σ2 er ukjentT = \frac{\bar{X} - \mu}{\sqrt{\frac{S^2}{n}}} \sim t_{n - 1}, \text{for $\mu$ når $\sigma^2$ er ukjent}

V=1σ2∑i=1n(Xi−μ)2∼χn2,for σ2 na˚r μ2 er kjentV = \frac{1}{\sigma^2} \sum_{i = 1}^n (X_i - \mu)^2 \sim \chi^2_n, \text{for $\sigma^2$ når $\mu^2$ er kjent}

V=(n−1)S2σ2∼χn−12,for σ2 na˚r μ2 er ukjentV = \frac{(n - 1)S^2}{\sigma^2} \sim \chi^2_{n - 1}, \text{for $\sigma^2$ når $\mu^2$ er ukjent}

Z=(Xˉ−Yˉ)−(μ1−μ2)σ12n+σ22m∼N(0,1),for μ1−μ2 na˚r σ12, σ22 er kjente.Z = \frac{(\bar{X} - \bar{Y}) - (\mu_1 - \mu_2)}{\sqrt{\frac{\sigma^2_1}{n} + \frac{\sigma^2_2}{m}}} \sim N(0, 1), \text{for $\mu_1 - \mu_2$ når $\sigma^2_1$, $\sigma^2_2$ er kjente.}

Z=p^−pp^(1−p^)n∼N(0,1),for p^=Xn ved normaltilnærming.Z = \frac{\hat{p} - p}{\sqrt{\frac{\hat{p}(1-\hat{p})}{n}}} \sim N(0, 1), \text{for $\hat{p} = \frac{X}{n}$ ved normaltilnærming.}

Z=(p1^−p2^)−(p1−p2)p1^(1−p1^)n+p2^(1−p2^)m∼N(0,1),for p1^−p2^ ved normaltilnærming.Z = \frac{(\hat{p_1} - \hat{p_2}) - (p_1 - p_2)}{\sqrt{\frac{\hat{p_1}(1-\hat{p_1})}{n} + \frac{\hat{p_2}(1-\hat{p_2})}{m}}} \sim N(0, 1), \text{for $\hat{p_1} - \hat{p_2}$ ved normaltilnærming.}

Prediksjonsintervall

Ordningsvariabler

X(1)=min{X1,X2,…,Xn}FX(1)(x)=1−∏i=1n(1−FXi(x))X(n)=max{X1,X2,…,Xn}FX(n)(x)=∏i=1nFXi(x)Medianen m er gitt vedF(m)=0.5X_{(1)} = \text{min}\{X_1, X_2, \dots, X_n\} \\ F_{X_{(1)}}(x) = 1 - \prod_{i = 1}^{n} \left( 1 - F_{X_i}(x) \right) \\ \\ X_{(n)} = \text{max}\{X_1, X_2, \dots, X_n\} \\ F_{X_{(n)}}(x) = \prod_{i = 1}^{n} F_{X_i}(x) \\ \\ \text{Medianen $m$ er gitt ved} \\ F(m) = 0.5

Hypotesetest

Transformasjoner

Gjøres enten ved transformasjonsformelen (blå heftet) fY(y)=fX(w(y))∣dwdy∣f_Y(y) = f_X(w(y))|\frac{dw}{dy}|, X=w(Y)X = w(Y), eller via kumulativ funksjon: gitt en sannsynlighetstetthet f(x)f(x) og en transformasjon Y=g(X)Y = g(X)

Momentgenererende funksjoner

Momentgenerende funksjoner for ulike fordelinger står i det blå heftet.

Enkel lineær regresjon

Anta at Yi=β0+β1xi+ϵiY_i = \beta_0 + \beta_1 x_i + \epsilon_i, der ϵi∼N(0,σ2)\epsilon_i \sim N(0, \sigma^2). Da er Yi∼N(β0+β1xi,σ2)Y_i \sim N(\beta_0 + \beta_1 x_i, \sigma^2). Ved å estimere β0\beta_0 og β1\beta_1, kan vi estimere y(x)y(x). \ \ For forenkling definerer vi:

Minste kvadraters metode

Minste kvadraters metode velger estimater β0^\hat{\beta_0} og β1^\hat{\beta_1} slik at SSE =∑i=1n(yi−yi^)2= \sum_{i = 1}^n (y_i - \hat{y_i})^2 blir minst mulig, der yi^=β^0+β^1xi\hat{y_i} = \hat{\beta}_0 + \hat{\beta}_1 x_i. Resultatene blir β^1=SxySxx\hat{\beta}_1 = \frac{S_{xy}}{S_{xx}} og β^0=Yˉ−β1^xˉ\hat{\beta}_0 = \bar{Y} - \hat{\beta_1} \bar{x}.

SME

SME gir samme resultat for β0^\hat{\beta_0} og β1^\hat{\beta_1} som minste kvadraters metode. Men her har vi i tillegg σ^2=1n∑i=1n(Yi−β0^−β1^xi)2\hat{\sigma}^2 = \frac{1}{n} \sum_{i = 1}^n \left(Y_i - \hat{\beta_0} - \hat{\beta_1}x_i \right) ^2.

Egenskaper til regresjonsestimatorene

Prediksjonsintervall