9.1 Sjangerguiden og fortellingsoppgavens anatomi

Første ledd er å lese oppgavens egen definisjon av fordelingen og gjøre den arbeidsklar. Normer tettheten om nødvendig ($\int f = 1$), utled fordelingsfunksjonen $F$, og finn median/kvantiler ved $F(m) = p$. Merk om eksponensialfordelingen er gitt på rateform $\lambda e^{-\lambda x}$ eller forventningsform $\displaystyle \frac{1}{\mu}e^{-x/\mu}$ — dette avgjør alt som følger. Kapittel: 2.1 og drillen 2.3.

Andre ledd er å utlede punktestimatoren, nesten alltid med maximum likelihood. Skriv likelihooden som produkt over alle observasjoner, ta logaritmen, deriver og løs: $L(\theta) = \prod f(x_i;\theta) \to \ell = \ln L \to \ell'(\theta) = 0 \to \hat\theta$. Momentmetoden er alternativet når ML blir tungt. Kapittel: 5.2.

Tredje ledd er å vurdere estimatoren: er $\hat\theta$ forventningsrett ($E(\hat\theta) = \theta$)? Hvis $E(\hat\theta) = c\theta$ med $c \ne 1$, korriger til $\hat\theta/c$ — typisk en $\Gamma$-faktor for rot-/potensestimatorer, siden $E[\sqrt V] \ne \sqrt{E[V]}$. Finn variansen og den estimerte standardfeilen. Skill estimator (stokastisk, stor bokstav) fra estimat (tall). Kapittel: 5.1 og drillen 5.3.

Fjerde ledd er broen: gjør en observasjon eller estimator om til en størrelse med kjent gamma-/kjikvadratfordeling som ikke avhenger av parameteren. Standardgrepene: $2\sum X_i/\mu \sim \chi^2_{2n}$ (eksponensial), $n\hat\sigma^2/\sigma^2 \sim \chi^2_n$ (normal med kjent $\mu$), $n(\hat\beta/\beta)^\alpha \sim$ gamma$(n,1)$ (Weibull). Pass frihetsgradene. Kapittel: drillen 4.3.

Femte ledd er det eksakte konfidensintervallet: sett kvantiler rundt pivoten, $P(w_1 \le W \le w_2) = 1-\alpha$, og løs dobbeltulikheten for parameteren. For eksponensial-$\mu$: $\displaystyle \left[\frac{2\sum x_i}{\chi^2_{2n,\alpha/2}}, \frac{2\sum x_i}{\chi^2_{2n,1-\alpha/2}}\right]$. Endepunktene bytter plass når du inverterer — og et asymmetrisk intervall er riktig, ikke en feil. Kapittel: 6.1.

Sjette ledd er alternativene: Wald-/CLT-intervallet $\hat\theta \pm z_{\alpha/2}\widehat{\text{SE}}$ (nevn sentralgrenseteoremet eksplisitt), og bootstrap for en standardfeil du ikke kan regne analytisk. Poeng verdt å nevne: når SE avhenger av parameteren, dekker det eksakte intervallet bedre ved liten $n$ (rundt 95,8 % mot 91,6 % for $n = 10$). Kapittel: 6.2 og 7.2.

Dette er diagnosetest-åpningen. Oppskrift: definer hendelsene med egne symboler («la $S$ = syk, $T$ = positiv test») før du regner; finn nevneren med loven om total sannsynlighet $P(T) = \sum_i P(T\mid A_i)P(A_i)$ over en partisjon; snu betingingen med Bayes $P(A_j\mid T) = P(T\mid A_j)P(A_j)/P(T)$; ved flere runder blir forrige posterior den nye prior. Frekvens: 70 %, nesten alltid oppgave 1. Kapittel: 1.1.

Modellvalg pluss E/V. Oppskrift: velg fordelingen fra situasjonen (fast antall uavhengige forsøk $\to$ binomisk; hendelser i tid/rom $\to$ Poisson med rate $\lambda t$; ventetid til første suksess $\to$ geometrisk); oppgi forutsetningene; hent $E$ og Var fra formelsamlingen eller utled dem via MGF; ofte følger en estimator med standardfeil. Frekvens: hver undertype ~30 %. Kapittel: 1.3.

En oppgitt tetthet med et navn du kanskje ikke har hørt (Laplace, Pareto, Rayleigh, Weibull, lognormal). Oppskrift: normer ($\int f = 1$ gir konstanten); utled $F$ stykkevis (0 og 1 utenfor støtten); finn median ved $F(m) = \tfrac12$; regn momenter ved integrasjon, ofte via gammaintegralet. Et ukjent navn skal aldri skremme — standardteknikkene holder. Frekvens: 60 %, ofte inngangen til estimerings-oppgaven. Kapittel: 2.1–2.2, drill 2.3.

En tetthet $f(x,y)$ i to variable. Oppskrift: normer ($\iint f = 1$); finn marginaltetthetene ved å integrere ut den andre variabelen; betinget tetthet $f_{Y\mid X=x}(y) = f(x,y)/f_X(x)$; regn $P(\text{område})$ som dobbeltintegral med området tegnet for å sette grensene; avgjør uavhengighet ved faktorisering på hele planet. Frekvens: 80 %, nesten alltid en egen stor oppgave. Kapittel: 3.1, drill 3.2.

Finn fordelingen til en funksjon av en eller flere variable. Oppskrift: for $Y = g(X)$ bruk CDF-metoden $F_Y(y) = P(g(X) \le y)$, løs ulikheten (snu ved avtakende $g$), deriver til tetthet; for $(U,V) = g(X,Y)$ bruk Jacobi $f_{UV} = f_{XY}\cdot|J|$. Dette er broen som bygger alle pivotalene. Frekvens: 90 % — den mest brukte teknikken. Kapittel: 4.2, drill 4.3.

MGF-en som verktøy. Oppskrift: $M_X(t) = E(e^{tX})$ utledes ved integrasjon/summasjon med konvergenskravet på $t$; hent momentene som $E(X) = M'(0)$, $E(X^2) = M''(0)$, Var $= E(X^2) - E(X)^2$; for en sum av uavhengige, multipliser MGF-ene og gjenkjenn resultatfordelingen (entydighet). Frekvens: ~65 %. Kapittel: 4.1.

Emnets signaturoppgave. Oppskrift: utled ML-estimatoren (produkt $\to$ log $\to$ deriver $\to$ løs); vis forventningsretthet og korriger skjevhet via $\Gamma$; transformer til en gamma-/$\chi^2$-pivot; sett kvantiler og løs ulikheten for parameteren $\to$ eksakt (asymmetrisk) KI. Frekvens: estimering 90 %, eksakt pivotal-KI 70 %. Kapittel: 5.2 og 6.1, drill 5.3/6.3.

Sammenlign to konfidensintervaller. Oppskrift: Wald-/CLT-intervallet er $\hat\theta \pm z_{\alpha/2}\widehat{\text{SE}}$, begrunnet med sentralgrenseteoremet; når standardavviket avhenger av parameteren, har det eksakte pivotal-intervallet bedre dekning ved liten $n$ (typisk 95,8 % mot 91,6 % for $n=10$, begge ~95 % ved $n=100$). Foretrekk det eksakte for lite utvalg; asymmetri er riktig. Frekvens: 40 %. Kapittel: 6.2.

Kjørbar numerikk. Oppskrift: inversjonsmetoden trekker $X = F^{-1}(U)$ fra $U \sim$ uniform$(0,1)$; bootstrap estimerer en standardfeil ved å gjenta estimatoren $B$ ganger på nye utvalg og ta np.std(..., ddof=1); en sannsynlighet estimeres som gjennomsnittet av en indikator (np.mean(betingelse)). Koden skal være komplett og faktisk kjøre. Frekvens: 60 %, fast siden 2015. Kapittel: 7.1–7.2.

En ren bivariat transformasjon $(X,Y) \to (U,V)$. Oppskrift: velg $U, V$; inverter til $X = X(U,V)$, $Y = Y(U,V)$; regn Jacobi-determinanten $\displaystyle |J| = \left|\det\frac{\partial(x,y)}{\partial(u,v)}\right|$ (absoluttverdi!); sett opp $f_{UV} = f_{XY}\cdot|J|$ på den transformerte støtten; integrer ut for marginalen. Klassikeren: $(X+Y,\, X/(X+Y))$ for uavhengige gamma. Frekvens: ~30 %. Kapittel: 4.2.

Minste kvadraters tilpasning, i STK1100s elementære form (ingen residualplott eller prediksjonsintervall). Oppskrift: minimer $\sum(Y_i - \hat Y_i)^2$; med konstantledd $\hat\beta_1 = S_{xY}/S_{xx}$, $\hat\beta_0 = \bar Y - \hat\beta_1\bar x$; uten konstantledd $\hat\gamma = \sum x_iY_i/\sum x_i^2$; finn $E$ og Var av estimatoren under modellen; modellvalg via om KI-et for $\beta_0$ inneholder 0. Frekvens: 20 %, men begge de to siste settene. Kapittel: 8.3 (verifiser — bygges i Del 8).

Beste gjett når to variable henger sammen. Oppskrift: regn $E(Y\mid X=x)$ fra den betingede tettheten; forventningen er den prediksjonen som minimerer forventet kvadratisk feil $E[(\theta - Y)^2]$; for binormale data er formen lineær, $\displaystyle E(Y\mid X=x) = \mu_2 + \rho\frac{\sigma_2}{\sigma_1}(x-\mu_1)$, og den betingede variansen er redusert med $(1-\rho^2)$. Frekvens: 30 %. Kapittel: 8.2 (verifiser — bygges i Del 8).

Den vanligste feilen i simultanoppgaver er å påstå uavhengighet fordi tettheten «ser ut som et produkt», uten å sjekke faktoriseringen $f(x,y) = f_X(x)f_Y(y)$ for alle $(x,y)$ — inkludert null-området. Er støtten ikke et produktområde (f.eks. en trekant), er variablene automatisk avhengige. Forebygges i kap. 3.2.

Grensene i $\iint$ settes feil fordi integrasjonsområdet ikke er tegnet. Tegn alltid området først — det er både et sensorkrav og din egen sikkerhet mot bytte av grenser. Forebygges i kap. 3.1.

Å gå rett på Wald-/CLT-intervallet når det eksakte kreves, eller å «rette opp» et asymmetrisk eksakt intervall til noe symmetrisk. Asymmetri er riktig når pivoten er skjev. Forebygges i kap. 6.1–6.2.

Å tro at $f(x)$ er en sannsynlighet (den kan overstige 1) eller at $P(X = x) > 0$ for kontinuerlig $X$ (den er 0). Sannsynligheter er arealer under tettheten. Forebygges i kap. 1.2 og 2.1.

Å utlede en MGF uten å angi for hvilke $t$ den konvergerer (f.eks. $t < 1/\beta$ for gamma). Uten konvergensområdet er utledningen ufullstendig. Forebygges i kap. 4.1.

Å bruke rateformen $\lambda e^{-\lambda x}$ og forventningsformen $\displaystyle \frac{1}{\mu}e^{-x/\mu}$ om hverandre, eller anta feil form. Les oppgavens egen definisjon hver gang. Forebygges i kap. 2.1.

Å anta at en estimator er forventningsrett uten å regne, eller glemme $\Gamma$-faktoren når man tar en rot/potens: $E[\sqrt V] \ne \sqrt{E[V]}$. Forebygges i kap. 5.1 og 5.3.

Å derivere likelihooden direkte i stedet for å logaritmere først, eller ikke løse likningen fullstendig. Alltid $L \to \ell = \ln L \to \ell' = 0 \to$ løs. Forebygges i kap. 5.2.

Å droppe $2ab\,\text{Cov}(X,Y)$ i $\text{Var}(aX+bY)$ når variablene er korrelerte — eller ta det med når de er uavhengige. Og: $\text{Var}(X-Y) \ne \text{Var}(X) - \text{Var}(Y)$. Forebygges i kap. 1.2 og 8.1.

Å gjette tettheten til $Y = g(X)$, eller glemme absoluttverdien på Jacobi-determinanten. Bruk alltid CDF-metoden eller Jacobi eksplisitt. Forebygges i kap. 4.2.

Å bruke np.var/np.std uten ddof=1, eller beskrive bootstrap uten å si at man trekker med tilbakelegging (ikke-parametrisk) eller fra den tilpassede fordelingen (parametrisk). Forebygges i kap. 7.1–7.2.

Å løse $f(m) = \tfrac12$ i stedet for $F(m) = \tfrac12$, eller å rote i log-/potenslikningen når man løser for medianen. Medianen er der fordelingsfunksjonen er $\tfrac12$. Forebygges i kap. 2.1 og 2.3.

Å bruke $\chi^2_n$ eller $\chi^2_{n-1}$ der eksponensial-pivoten krever $\chi^2_{2n}$ (eller motsatt for normal med kjent $\mu$, som er $\chi^2_n$). Les hvilken pivot fordelingen gir. Forebygges i kap. 2.2, 4.3 og 6.1.

Skriv «la $X$ = …» eller «la $S$ = hendelsen at …» før du regner. Et svar uten definerte størrelser regnes som ufullstendig, selv om tallet er riktig.

Uavhengighet påstås aldri fra intuisjon. Vis $f(x,y) = f_X(x)f_Y(y)$ for alle $(x,y)$, inkludert null-området — ett moteksempel motbeviser.

For hvert dobbeltintegral: tegn området i $xy$-planet før du setter grensene. Dette er et eksplisitt krav, ikke en anbefaling.

Oppgi for hvilke $t$ MGF-en konvergerer, og hent momentene som $E = M'(0)$, $E(X^2) = M''(0)$.

Vis hele kjeden $L \to \ell \to$ deriver $\to$ løs. Et estimat uten regnekjede får ikke full uttelling.

Vis forventningsretthet og varians fullstendig; kvantifiser og korriger skjevhet. Skill konsekvent estimator (stokastisk) fra estimat (tall).

Når standardfeilen avhenger av parameteren, foretrekkes det eksakte intervallet ved liten $n$. Et asymmetrisk eksakt intervall er riktig.

Ved normaltilnærming skal sentralgrenseteoremet nevnes med alle tre forutsetningene (uavhengige, identisk fordelte, endelig varians).

Bruk CDF-metoden, Jacobi eller MGF eksplisitt — aldri gjetting av resultatfordelingen.

Beskriv bootstrap-algoritmen presist og lever Python-kode som faktisk kjører, med ddof=1 der en empirisk standardfeil beregnes.

Avslutt med et tallsvar med enhet og en setnings tolkning. «Regn ferdig og forklar hva tallet betyr.»

Med 3–4 oppgaver à 25–35 poeng har du rundt 60–80 minutter per oppgave. Del tiden proporsjonalt med poengene, og hold av 15–20 minutter til slutt for gjennomlesing og tallsvar. Alle delpunkter teller — et delpunkt du hopper over, er garantert tap, mens et delpunkt du bruker for lang tid på, stjeler fra resten. Grav deg aldri fast i ett delpunkt.

Ta de sikre poengene først. Åpningsoppgavene (Bayes/sjanger A, standardisering, marginaler, median) gir trygg uttelling raskt og varmer deg opp. Sett av mest tid til estimerings-kjeden (oppgave 3, sjanger G+H) — den er tyngst og verdt mest. La en Python-/simuleringsoppgave stå til du har sikret de analytiske poengene, men ikke dropp den: 60 % av settene har den.

Spar tid ved å vite hva som ligger i formelsamlingen. Slå opp: fordelingskatalogens $E$/Var/MGF, gammafunksjonens egenskaper, kvantiltabeller ($\Phi$, $z_\alpha$, $\chi^2$, gamma), standard-KI-formler. Utled aktivt: ML, pivotaler, transformasjoner, minneløshet og bootstrap. Å lete etter noe som må utledes — eller utlede noe som står i tabellen — er bortkastet tid.