1 Föreläsning IV; Stokastisk variabel
|
|
- Karin Ekström
- för 5 år sedan
- Visningar:
Transkript
1 1 FÖRELÄSNING IV; STOKASTISK VARIABEL 1 Föreläsning IV; Stoastis variabel Vi har tidigare srivit P (1, 2, 3, 4, 5) = P (C) för sannoliheten för att få 1, 2, 3, 4 eller 5 vid ett tärningsast. Vi sall använda en variabel, en stoastis variabel för att uttryca en händelse (mängd). Dessutom sall vi behandla begreppet (Sannolihets-)fördelning. E 1 Låt ξ vara en stoastis variabel, som betyder antal tärningsögon/poäng på en vanlig tärning. ξ an alltså anta värdena 1, 2, 3, 4, 5, eller 6. Händelsen A att få 3 eller 6 an utrycas (Mer eat) som A = {ξ = 3 eller 6}. P.s.s. sriver vi C = {1, 2, 3, 4, 5} = {ξ 5} underförstått att hela utfallsrummet Ω = {1, 2, 3, 4, 5, 6}. Motsvarande sannolihet srivs P (ξ 5) = 5 6. Definition 1 Givet ett utfallsrum, som antingen är ändligt ( Ω, ett heltal 0) eller uppräneligt, Ω = { 1,, 3,...}. En fördelning an ses som en funtion f() := P (ξ = ), Ω. En sådan funtion allas frevensfuntion. E 2 Vilet medelvärde/genomsnitt får man när man astar en tärning? Vi får antingen utfallet 1, 2, 3, 4, 5 eller 6 med sannoliheten för varje utfall 1 6. Rimligen är medelvärdet = 3.5 Vi an se 1 = P (ξ = ) för = 1, 2, 3, 4, 5, 6 och sriva medelvärdet som 6 6 P (ξ = ). =1 Medelvärdet, allas i sannolihetseorin väntevärde och definieras som nedan för en stoastis variabel, ξ och är ett lägesmått. E(ξ) := Ω P (ξ = ) = µ. (1) Med betecningen P (ξ = ) = f(), en frevensfuntion an väntevärdet srivas E(ξ) := Ω f(). (2) 1
2 1.1 Disret fördelning 1 FÖRELÄSNING IV; STOKASTISK VARIABEL E 3 Givet en tärning där sannoliheten för att få en sea är dubbelt så stor som att få de övriga fem utfallen. Vi inför en sto. variabel η för antal tärningspoäng. Då är P (η = ) = 1 7 för = 1, 2, 3, 4, 5 och P (η = 6) = 2 7. Vad är väntevärdet E(η)? Vi beränar det med (2). E(η) = 6 =1 P (η = ) = = Man an se väntevärde som ett vitat medelvärde Varians Variansen är ett spridningsmåttöch mäter spridningen av utfallen runt väntevärdet E(ξ) = mu. Det definieras som den vadratisa medalavvielsen från µ som V (ξ) := Ω( µ) 2 P (ξ = ). (3) Standardavvielsen definieras som σ := V. E 4 Beräna variansen för antal poäng av tärningsast för en symmetris tärning. V (ξ) = ( 7/2) 2 = =1 Motsvarande standardavvielse definieras som σ = 35 V (ξ) = }. 1.1 Disret fördelning En disret fördelning är sådan att den stoastis variabeln antar, antingen bara ett ändligt antal värden eller ett uppräneligt oändligt antal värden. Det betyder att Ω = { 1, 2,..., n } eller Ω = { 1, 2,..., n,...} alla j olia. 2
3 1.1 Disret fördelning 1 FÖRELÄSNING IV; STOKASTISK VARIABEL Hypergeometris fördelning E 5 I ett större lager finns 1000 =: N mobiltelefoner. Man ränar med att en andel p = 0.40 = 40% av dessa är defeta. Genom att ta ett sticprov, säg 50 =: n av dessa och m.h.a. antal defeta i sticprovet få en uppfattning av antal defeta bland de N = Vad är sannoliheten att antal defeta bland de n valda är = 20? ( ) N Antal möjliga utfall är och antal gynnsamma får vi med Multipliationsprincipen. Antal defeta är N p = 400 och bland dessa väljer vi. Bland de n orreta väljer vi således n ur mängden av orreta, som är N(1 p) = 600. Söt sannolihet är ( Np ) ( N(1 p) ) n P (ξ = ) = ( N n) så att med de tal som vi har ovan blir sannoliheten att ( ) ( ) P (ξ = 20) = = En sådan fördelning allas hypergeometris Hyp(N, n, p). I detta eempel gäller att ξ Hyp(1000, 50, 0.40). Vid prodution av större serier av produter, säg N = 1000, ontrolleras i allmänhet inte alla utan man gör ett sticprov på, e.vis n = 50. Låt p vara andelen/sannoliheten för att en produt är defet. Sannoliheten att P (ξ = 0) är mer allmänt, P (ξ = ) är då beroende på sannoliheten p Binomialfördelning Antag att ett försö består av n liafördelade oberoende delförsö med sannoliheten för att få utfall A är p och således 1 p för att utfallet är i A c. Vad är sannoliheten att få utfall i A eat gånger av n? En sevens med n delförsö an se ut så här B := A 1 A 2 A c 3 A 4 A c 5... A n, där precis av händelserna är A j och övriga n är A c j. P.g.s. av oberoende är P (B) = p (1 p) n och B an bildas på olia sätt. Sannoliheten för att få utfall eat gånger av n som ligger i A är P := p (1 p) n (4) 3
4 1.1 Disret fördelning 1 FÖRELÄSNING IV; STOKASTISK VARIABEL Vi an införa den stoastis variabeln ξ som är antalet gånger som A inträffar vid n oberoende försö. P (ξ = ) = p (1 p) n (5) Hypergeometris fördelning handlar om dragning utan återläggning och Binomialfördelning handlar om dragning med återläggning och båda utan hänsyn till inbördes ordning. Om n N, spelar dragning med eller utan återläggning nappast någon roll. I det fallet får vi (tumregel n/n < 0.1) ( Np ) ( N(1 p) ) n ( N n) p (1 p) n. (6) Längre ned i teten verifieras att totala sannoliheten i binomialfallet n (5) är 1, d.v.s. P (ξ = ) = 1. =0 Utmaning: Verifiera att ( Np ) ( N(1 p) ) n ( N = 1. n) Binomialfördelning används när man gör n identisa och oberoende försö. Obs! Det rör sig om dragning med återläggning. E 6 Man testar 50 identisa produter där 40% är defeta. Beräna sannoliheten att eat 20 är defeta. Det är en binomial situation med ξ Bin(50, 0.40). Söt sannolihet är ( ) 50 P := = Villoret i tumregeln (6) är uppfyllt i det förrförra eemplet eftersom n/n = 50/1000 < 0.1. Det sista eemplet an se som just binomialapproimationen av det förrförra eemplet. Sannoliheten är ocså approimativt lia:
5 1.1 Disret fördelning 1 FÖRELÄSNING IV; STOKASTISK VARIABEL Poissonfördelning Typisa händelser som bruar vara Poissonfördelade är antal utfall som inträffar slumpmässigt i tiden under ett givet tidsintervall med en viss intensitet, λ. Definition 2 Om ξ Po(λ) betyder, per definition, att P (ξ = ) = e λ λ, = 0, 1, 2,... (7)! E 7 Låt den stoastis variabeln ξ var antal inommande telefonsamtal som inommer till en väel under ett 2 minuter långt tidsintervall. Detta har en fördelning som oftast an betratas som en Poissonfördelning. Vi antar att så är fallet och att förväntat antal inommande samtal är 3 i ett tvåminuters intervall. (a) Beräna sannoliheten att det ommer in eat 2 samtal under en tvåminutersperiod. (b) Beräna sannoliheten att det ommer in minst 2 samtal under en tvåminutersperiod. Låt ζ vara antal inommande telefonsamtal på ett tvåminutersintervall. (a) Sannoliheten att det ommer in eat 2 samtal under en tvåminutersperiod är P (ζ = 2) = e ! = (b) Sannoliheten att det ommer in minst 2 samtal under en tvåminutersperiod är [ ] 3 1 P (ζ < 2) = 1 e 3 0 0! + 31 = ! Indiatorvariabel E 8 I ett spel går det ut på att få flest poäng. Det går till så att två eller fler astar tärning. Man får 1 poäng för tärningspoängen 1 eller 4 och noll poäng för övriga träningspoäng (2,3,5,6). Vi inför händelsen/mängden A = {1, 4} och således A c = {2, 3, 5, 6}. Som stoastis variabel inför vi en indiatorvariabel, som I = I A. Den sall vara sådan att den antar värdet 1, om utfallet hamnar i A och 0, om utfallet hamnar i A c. P (I = 1) = p = 1 3 P (I = 0) = (1 p) = 2 (8) 3 Definition 3 En speciell stoastis variabel är indiatorvariabeln I = I A. Denna variabel antar bara två värden: I = 1 eller 0 med sannoliheten p för värdet 1, d.v.s. P (I = 1) = p och således måste P (I = 0) = 1 p. 5
6 1.2 Några väntevärden 1 FÖRELÄSNING IV; STOKASTISK VARIABEL Man an se indiatorvariabeln som en variabel som besriver lycat (1) med sannoliheten p och misslycat (0) med sannoliheten 1 p Summor av indiatorvariabler Låt I 1, I 2,..., I n vara n oberonde liafördelade indiatorvariabler. Vi sall besriva fördelningen ξ = n =1 Den an anta alla heltalsvärden mellan 0 och n. Vad är sannoliheten att ξ = för ett = 0, 1, 2, 3,..., n? Det betyder att stycen antar värdet 1 och övriga n antar värdet 0. En sådan sevens har sannoliheten I. P (I 1 = 1 I 2 = 0.. I n = 1) Med precis ettor och n nollor. P.g.a. oberoende och att vi har snitt (och) får vi p (1 p)... p = p (1 p) n för en sevens med ettor. Det finns sådana sevenser (med ettor). Sannoliheten P (ξ = ) är alltså P (ξ = ) = p (1 p) n, = 0, 1, 2,..., n (9) Vi verifierar att totala sannoliheten är 1: n p (1 p) n = (p + (1 p)) n = 1 n = 1. =0 1.2 Några väntevärden E 9 Väntevärde för ξ Bin(n, p) För n = 10 ober. och identisa delförsö är sannoliheten för att lycas, 40%. Man borde i genomsnitt lycas i 4 av delförsöen alltså i = 4 delförsö. Intuitivt är, med ξ antal lycade delförsö av n = 10, E(ξ) = n p. Att diret beräna E(ξ), väntevärdet, är att beräna summan n =0 p (1 p) n. 6
7 1.2 Några väntevärden 1 FÖRELÄSNING IV; STOKASTISK VARIABEL Väntevärdet för Hyp(N, n, p) = n p, alltså samma som för binomialförd. Väntevärdet för geometris fördelning är (sätt ξ Geo(p)) µ = E(ξ) = (1 p) 1 p = 1 p. =0 Väntevärdet för Poissonfördelning är (sätt ξ Po(λ)) µ = E(ξ) = e λ λ! = e λ λ! = λ e λ λ 1 ( 1)! = λ =0 =1 =1 7
1.1 Diskret (Sannolikhets-)fördelning
Föreläsning III. Diskret (Sannolikhets-)fördelning Med diskret menas i matematik, att något antar ett ändligt antal värden eller uppräkneligt oändligt med värden e.vis {, 2, 3,...}. Med fördelning menas
Läs mer1.1 Diskret (Sannolikhets-)fördelning
Föreläsning III. Diskret (Sannolikhets-fördelning Med diskret menas i matematik, att något antar ett ändligt antal värden eller uppräkneligt oändligt med värden e.vis {, 2, 3,...}. Med fördelning menas
Läs merCentrala gränsvärdessatsen (CGS). Approximationer
TNG006 F7 25-04-2016 Centrala gränsvärdessatsen (CGS. Approximationer 7.1. Centrala gränsvärdessatsen Vi formulerade i Sats 6.10 i FÖ6 en vitig egensap hos normalfördelningen som säger att en linjär ombination
Läs merKap 3: Diskreta fördelningar
Kap 3: Diskreta fördelningar Sannolikhetsfördelningar Slumpvariabler Fördelningsfunktion Diskreta fördelningar Likformiga fördelningen Binomialfördelningen Hypergeometriska fördelningen Poisson fördelningen
Läs mer4 Diskret stokastisk variabel
4 Diskret stokastisk variabel En stokastisk variabel är en variabel vars värde bestäms av utfallet av ett slumpmässigt försök. En stokastisk variabel betecknas ofta med X, Y eller Z (i läroboken används
Läs merResultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.).
STOKASTISKA VARIABLER Resultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.). Definition 1. En reellvärd funktion definierad på ett utfallsrum Ω kallas en (endimensionell)
Läs mer2 x dx = [ x ] 1 = 1 ( 1 (1 0.9) ) 100 = /
Föreläsning 5: Matstat AK för I, HT-8 MATEMATISK STATISTIK AK FÖR I HT-8 FÖRELÄSNING 5: KAPITEL 4.6 7: SUMMOR, MAXIMA OCH ANDRA FUNKTIONER AV S.V. KAPITEL 5. : VÄNTEVÄRDEN, LÄGES- OCH SPRIDNINGSMÅTT EXEMPEL
Läs merF6 STOKASTISKA VARIABLER (NCT ) Används som modell i situation av följande slag: Slh för A är densamma varje gång, P(A) = P.
Stat. teori gk, ht 2006, JW F6 STOKASTISKA VARIABLER (NCT 5.4-5.6) Binomialfördelningen Används som modell i situation av följande slag: Ett slumpförsök upprepas n gånger (oberoende upprepningar). Varje
Läs merResultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.).
STOKASTISKA VARIABLER Resultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.). Definition 1. En reellvärld funktion definierad på ett utfallsrum Ω kallas en (endimensionell)
Läs merVeckoblad 3. Kapitel 3 i Matematisk statistik, Dahlbom, U.
Veckoblad 3 Kapitel 3 i Matematisk statistik, Dahlbom, U. Poissonfördelningen: ξ är Po(λ) λ = genomsnittligt antal händelser i ett intervall. Sannolikhet: P(ξ = ) = e λ λ! Väntevärde: E(ξ) = λ Varians:
Läs merJörgen Säve-Söderbergh
SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 8 Binomial-, hypergeometrisk- och Poissonfördelning Exakta egenskaper Approximativa egenskaper Jörgen Säve-Söderbergh Binomialfördelningen
Läs merVeckoblad 3. Kapitel 3 i Matematisk statistik, Blomqvist U.
Veckoblad 3 Kapitel 3 i Matematisk statistik, Blomqvist U. ya begrepp: likformig fördelning, hypergeometerisk fördelning, Hyp(, n, p), binomialfördelningen, Bin(n, p), och Poissonfördelningen, Po(λ). Standardfördelningarna
Läs merFinansiell Statistik (GN, 7,5 hp,, VT 2009) Föreläsning 2. Diskreta Sannolikhetsfördelningar. (LLL Kap 6) Stokastisk Variabel
Finansiell Statistik (GN, 7,5 hp,, VT 009) Föreläsning Diskreta (LLL Kap 6) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics (Basic-level course, 7,5 ECTS,
Läs merSF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 3 Diskreta stokastiska variabler. Jörgen Säve-Söderbergh
SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 3 Diskreta stokastiska variabler Jörgen Säve-Söderbergh Stokastisk variabel Singla en slant två gånger. Ω = {Kr Kr, Kr Kl, Kl Kr, Kl Kl}
Läs merKap 6: Normalfördelningen. Normalfördelningen Normalfördelningen som approximation till binomialfördelningen
Kap 6: Normalfördelningen Normalfördelningen Normalfördelningen som approximation till binomialfördelningen σ μ 1 Sats 6 A Om vi ändrar läge och/eller skala på en normalfördelning så har vi fortfarande
Läs merStokastiska variabler
TNG006 F2 11-04-2016 Stoastisa variabler Ett slumpmässigt försö ger ofta upphov till ett tal som bestäms av utfallet av försöet. Talet är ite ät före försöet uta bestäms av vilet utfall som ommer att uppstå,
Läs merTentamen LMA 200 Matematisk statistik,
Tentamen LMA Matematisk statistik, Tentamen består av åtta uppgifter motsvarande totalt poäng. Det krävs minst poäng för betyg, minst poäng för 4 och minst 4 poäng för. Examinator: Ulla Blomqvist, ankn
Läs merFinansiell Statistik (GN, 7,5 hp, HT 2008) Föreläsning 2
Finansiell Statistik (GN, 7,5 hp, HT 008) Föreläsning Diskreta sannolikhetsfördelningar (LLL kap. 6) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics (Basic-level
Läs merUppgift 2. För två händelser A och B gäller P(A B)=0.5, P ( A ) = 0. 4 och P ( B
TENTAMEN I MATEMATISK STATISTIK Datum: 3 juni 8 Ten i ursen HF3, 6H3, 6L3 MATEMATIK OH MATEMATISK STATISTIK, Ten i ursen HF ( Tidigare n 6H3), KÖTEORI OH MATEMATISK STATISTIK, Ten i ursen HF4, (Tidigare
Läs mer4.2.1 Binomialfördelning
Ex. Kasta en tärning. 1. Vad är sannolikheten att få en 6:a? 2. Vad är sannolikheten att inte få en 6:a? 3. Vad är sannolikheten att få en 5:a eller 6:a? 4. Om vi kastar två gånger, vad är då sannolikheten
Läs merStokastiska Processer F2 Föreläsning 1: Repetition från grundkursen
Stokastiska Processer F2 Föreläsning 1: Repetition från grundkursen Denna föreläsning kommer mest att vara en repetition av stoff från grundkursen. Längden på detta dokument kan tyckas vara oproportionerligt
Läs merÖvning 1 Sannolikhetsteorins grunder
Övning 1 Sannolikhetsteorins grunder Två händelser A och B är disjunkta om {A B} =, det vill säga att snittet inte innehåller några element. Om vi har en mängd händelser A 1, A 2, A 3,..., A n, vilka är
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 3 4 november 2016 1 / 28 Idag Förra gången Stokastiska variabler (Kap. 3.2) Diskret stokastisk variabel (Kap. 3.3 3.4) Kontinuerlig stokastisk
Läs mer1 Föreläsning II, Vecka I, 5/11-11/11, avsnitt 2.3
1 Föreläsning II, Veca I, 5/11-11/11, avsnitt 2.3 1.1 Kombinatori Ex 2.1 I ett rutnät går man åt höger eller uppåt. Hur många vägar finns det mellan A och B? B A Vi har 8 (del-)sträcor att välja uppåt
Läs merMatematisk statistik
HF, repetitionsblad Mateatis statisti Uppgift Fördelningsfuntionen för en ontinuerlig stoastis variabel X är F ( x) cx x < x x > Bestä värdet på onstanten c, edianen och täthetsfuntionen för X a) Enligt
Läs merSF1922/SF1923: SANNOLIKHETSTEORI OCH DISKRETA STOKASTISKA VARIABLER STATISTIK. Tatjana Pavlenko. 23 mars, 2018
SF1922/SF1923: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 3 DISKRETA STOKASTISKA VARIABLER Tatjana Pavlenko 23 mars, 2018 PLAN FÖR DAGENSFÖRELÄSNING Repetition av betingade sannolikheter, användbara satser
Läs merSF1901: Sannolikhetslära och statistik
SF9: Sannolikhetslära och statistik Föreläsning 3. Stokastiska variabler, diskreta och kontinuerliga Jan Grandell & Timo Koski 8.9.28 Jan Grandell & Timo Koski () Matematisk statistik 8.9.28 / 45 Stokastiska
Läs merOberoende stokastiska variabler
Kapitel 6 Oberoende stokastiska variabler Betrakta ett försök med ett ändligt (eller högst numrerbart) utfallsrum Ω samt två stokastiska variabler ξ och η med värdemängderna Ω ξ och Ω η. Vi bildar funktionen
Läs merMatematisk statistik, LMA 200, för DAI och EI den 25 aug 2011
Matematisk statistik, LMA, för DAI och EI den 5 aug Tentamen består av åtta uppgifter om totalt 5 poäng. Det krävs minst poäng för betyg, minst poäng för och minst för 5. Examinator: Ulla Blomqvist Hjälpmedel:
Läs merVåra vanligaste fördelningar
Sida Våra vanligaste fördelningar Matematisk statistik för D3, VT Geometrisk fördelning X är geometriskt fördelad med parameter p, X Geo(p), om P (X = k) = ( p) k p P (X k) = ( p) k för k =,,... Beskriver
Läs merFöreläsning 2 (kap 3): Diskreta stokastiska variabler
Föreläsning 2 (kap 3): Diskreta stokastiska variabler Marina Axelson-Fisk 20 april, 2016 Idag: Diskreta stokastiska (random) variabler Frekvensfunktion och fördelningsfunktion Väntevärde Varians Några
Läs merFöreläsning 8, FMSF45 Binomial- och Poissonfördelning, Poissonprocess
Repetition Binomial Poisson Stokastisk process Föreläsning 8, FMSF45 Binomial- och Poissonfördelning, Poissonprocess Stas Volkov 217-1-3 Stanislav Volkov s.volkov@maths.lth.se FMSF45 F8: Binomial- och
Läs merSannolikhetsteori FORMELSAMLING MATEMATISK STATISTIK, AK 9HP, FMS012 [UPPDATERAD ] Sannolikhetsteorins grunder
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK FORMELSAMLING MATEMATISK STATISTIK, AK 9HP, FMS02 [UPPDATERAD 2007-09-2] Sannolihetsteori Sannolihetsteorins grunder Följande gäller för sannoliheter:
Läs mer4.1 Grundläggande sannolikhetslära
4.1 Grundläggande sannolikhetslära När osäkerhet förekommer kan man aldrig uttala sig tvärsäkert. Istället använder vi sannolikheter, väntevärden, standardavvikelser osv. Sannolikhet är ett tal mellan
Läs merGrundläggande matematisk statistik
Grundläggande matematisk statistik Diskreta fördelningar Uwe Menzel, 2018 www.matstat.de Begrepp fördelning Hur beter sig en variabel slumpmässigt? En slumpvariabel (s.v.) har en viss fördelning, d.v.s.
Läs merFöreläsning 3. Kapitel 4, sid Sannolikhetsfördelningar
Föreläsning 3 Kapitel 4, sid 79-124 Sannolikhetsfördelningar 2 Agenda Slumpvariabel Sannolikhetsfördelning 3 Slumpvariabel (Stokastisk variabel) En variabel som beror av slumpen Ex: Tärningskast, längden
Läs merTentamen LMA 200 Matematisk statistik,
Tentamen LMA 00 Matematisk statistik, 0 Tentamen består av åtta uppgifter motsvarande totalt 50 poäng. Det krävs minst 0 poäng för betyg, minst 0 poäng för 4 och minst 40 för 5. Examinator: Ulla Blomqvist,
Läs mermodell Finansiell statistik, vt-05 Modeller F5 Diskreta variabler beskriva/analysera data Kursens mål verktyg strukturera omvärlden formellt
Johan Koskinen, Statistiska institutionen, Stockholms universitet Finansiell statistik, vt-5 F5 Diskreta variabler Kursens mål beskriva/analysera data formellt verktyg strukturera omvärlden innehåll osäkerhet
Läs merTentamen den 11 april 2007 i Statistik och sannolikhetslära för BI2
Tentamen den april 7 i Statistik och sannolikhetslära för BI Uppgift : Låt händelserna A, B, C och D vara händelser i samband med ett försök. a) Anta att P(A)., P(A B)., P(A B).6. Beräkna sannolikheten
Läs merF5 STOKASTISKA VARIABLER (NCT , samt del av 5.4)
Stat. teori gk, ht 006, JW F5 STOKASTISKA VARIABLER (NCT 5.1-5.3, samt del av 5.4) Ordlista till NCT Random variable Discrete Continuous Probability distribution Probability distribution function Cumulative
Läs merFöreläsning 8, Matematisk statistik Π + E
Repetition Binomial Poisson Stokastisk process Föreläsning 8, Matematisk statistik Π + E Sören Vang Andersen 9 december 214 Sören Vang Andersen - sva@maths.lth.se FMS12 F8 1/23 Repetition Binomial Poisson
Läs mer1 Föreläsning II, Vecka I, 21/1-25/11, 2019, avsnitt
1 Föreläsning II, Veca I, 1/1-5/11, 019, avsnitt.3 1.1 Kombinatori Exempel 1.1 I ett rutnät går man åt höger eller uppåt. Hur många vägar finns det mellan A och B? B A Vi har 8 (del-)sträcor att välja
Läs merFöreläsning 12: Repetition
Föreläsning 12: Repetition Marina Axelson-Fisk 25 maj, 2016 GRUNDLÄGGANDE SANNOLIKHETSTEORI Grundläggande sannolikhetsteori Utfall = resultatet av ett försök Utfallsrum S = mängden av alla utfall Händelse
Läs merKap 2. Sannolikhetsteorins grunder
Kap 2. Sannolikhetsteorins grunder Olika händelser och deras mängbetäckningar Sats 2.7 Dragning utan återläggning av k element ur n (utan hänsyn till ordning) kan ske på ( n ) olika sätt k För två händelser
Läs merLektionsanteckningar 11-12: Normalfördelningen
Lektionsanteckningar 11-12: Normalfördelningen När utfallsrummet för en slumpvariabel kan anta vilket värde som helst i ett givet intervall är variabeln kontinuerlig. Det är väsentligt att utfallsrummet
Läs merBIOSTATISTISK GRUNDKURS, MASB11, VT-16, VT2 ÖVNING 3, OCH INFÖR ÖVNING 4
LUNDS UNIVERSITET, MATEMATIKCENTRUM, MATEMATISK STATISTIK BIOSTATISTISK GRUNDKURS, MASB11, VT-16, VT2 ÖVNING 3, 216-4-6 OCH INFÖR ÖVNING 4 Övningens mål: Du ska förstå begreppet slumpvariabel och skilja
Läs merKONTROLLSKRIVNING 2 Kurs: HF1012 Matematisk statistik Lärare: Armin Halilovic Datum: 14 apr 2014 Skrivtid: 13:15-15:00
KONTROLLSKRIVNING Kurs: HF atematis statisti Lärare: Armin Halilovic Datum: ar Srivtid: :-: Tillåtna hjälmedel: iniränare av vilen ty som helst. Förbjudna hjälmedel: Telefon lato och alla eletronisa medel
Läs merSF1901: Sannolikhetslära och statistik
SF9: Sannolikhetslära och statistik Föreläsning 3. Stokastiska variabler, diskreta och kontinuerliga Jan Grandell & Timo Koski 25..26 Jan Grandell & Timo Koski Matematisk statistik 25..26 / 44 Stokastiska
Läs merKapitel 4 Sannolikhetsfördelningar Sid Föreläsningsunderlagen är baserade på underlag skrivna av Karl Wahlin
Kapitel 4 Sannolikhetsfördelningar Sid 79-14 Föreläsningsunderlagen är baserade på underlag skrivna av Karl Wahlin Slumpvariabel En variabel för vilken slumpen bestämmer utfallet. Slantsingling, tärningskast,
Läs merEtt M/M/1 betjäningssystem har följande egenskaper: 1. Systemet har en betjänare. Betjäningstiderna är exponentialfördelade med medelvärde 1 μ
M/M/ ösystem M/M/ ösystem Ett M/M/ betjäningssystem har följande egensaper:. Systemet har en betjänare. Betjäningstiderna är exponentialfördelade med medelvärde x =.. Kunder anommer enligt Poissonprocess
Läs merSF1901: Sannolikhetslära och statistik. Mer om Approximationer
SF1901: Sannolikhetslära och statistik Föreläsning 7.A Mer om Approximationer Jan Grandell & Timo Koski 10.02.2012 Jan Grandell & Timo Koski () Matematisk statistik 10.02.2012 1 / 21 Repetition CGS Ofta
Läs merTentamen LMA 200 Matematisk statistik, data/elektro
Tentamen LMA 00 Matematisk statistik, data/elektro 039 Tentamen består av åtta uppgiter motsvarande totalt 50 poäng. Det krävs minst 0 poäng ör betyg 3, minst 30 poäng ör 4 och minst 40 ör 5. Examinator:
Läs merMatematisk statistik 9 hp Föreläsning 8: Binomial- och Poissonfördelning, Poissonprocess
Matematisk statistik 9 hp Föreläsning 8: Binomial- och Poissonfördelning, Poissonprocess Anna Lindgren 4+5 oktober 216 Anna Lindgren anna@maths.lth.se FMS12/MASB3 F8: Binomial och Poisson 1/18 N(μ, σ)
Läs merTentamen i Dataanalys och statistik för I den 28 okt 2015
Tentamen i Dataanalys och statistik för I den 8 okt Tentamen består av åtta uppgifter om totalt poäng. Det krävs minst poäng för betyg, minst poäng för och minst för. Eaminator: Ulla lomqvist Hjälpmedel:
Läs merTMS136. Föreläsning 4
TMS136 Föreläsning 4 Kontinuerliga stokastiska variabler Kontinuerliga stokastiska variabler är stokastiska variabler som tar värden i intervall av den reella axeln Det kan handla om längder, temperaturer,
Läs merF7 forts. Kap 6. Statistikens grunder, 15p dagtid. Stokastiska variabler. Stokastiska variabler. Lite repetition + lite utveckling av HT 2012.
F7 forts. Kap 6 Statistikens grunder, 15p dagtid HT 01 Lite repetition + lite utveckling av Stokastisk variabel Diskreta och kontinuerliga sv Frekvensfunktion (diskr.), Täthetsfunktion (kont.) Fördelningsfunktion
Läs merÖvningstentamen i matematisk statistik
Övningstentamen i matematisk statistik Uppgift : Från ett register över manliga patienter med diabetes fick man följande statistik i procent: Lindrigt fall Allvarligt fall Patientens Någon förälder med
Läs merFinansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 3
Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 3 Kontinuerliga sannolikhetsfördelningar (LLL Kap 7 & 9) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics
Läs merLMA522: Statistisk kvalitetsstyrning
Föreläsning 6 Tidigare Styrande kontroll enligt variabelmetoden: Medelvärdesdiagram R-diagram/ s-diagram Dagens innehåll 1 Styrande kontroll enligt attributmetoden 2 Felkvotsdiagram 3 Felantalsdiagram
Läs merBetingning och LOTS/LOTV
Betingning och LOTS/LOTV Johan Thim (johan.thim@liu.se 4 december 018 Det uppstod lite problem kring ett par uppgifter som hanterade betingning. Jag tror problemen är av lite olika karaktär, men det jag
Läs merF9 SAMPLINGFÖRDELNINGAR (NCT
Stat. teori gk, ht 006, JW F9 SAMPLINGFÖRDELNINGAR (NCT 7.1-7.4) Ordlista till NCT Sample Population Simple random sampling Sampling distribution Sample mean Standard error The central limit theorem Proportion
Läs merSF1901: Sannolikhetslära och statistik. Väntevärde; Väntevärde för funktioner av s.v:er; Varians; Tjebysjovs olikhet. Jan Grandell & Timo Koski
SF1901: Sannolikhetslära och statistik Föreläsning 5. Väntevärde; Väntevärde för funktioner av s.v:er; Varians; Tjebysjovs olikhet. Jan Grandell & Timo Koski 28.01.2015 Jan Grandell & Timo Koski () Matematisk
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2016-01-15 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 15.00 20.00 Lärare: A Jonsson, J Martinsson,
Läs merFöreläsning 5. Funktioner av slumpvariabler. Ett centralt resultat.
Föreläsning 5. Funktioner av slumpvariabler. Ett centralt resultat. Jesper Rydén Matematiska institutionen, Uppsala universitet jesper.ryden@math.uu.se 1MS008, 1MS777 vt 2016 Ytterligare begrepp Viktiga
Läs mer1 Stora talens lag. Laboration 2 Matematisk statistik allmän kurs, MASA01:A, HT Teori. 1.2 Uppgifter
Lunds universitet Matematikcentrum Matematisk statistik Laboration 2 Matematisk statistik allmän kurs, MASA01:A, HT-15 Syftet med denna laboration är att du skall bli förtrogen med två viktiga områden
Läs merÖvningstentamen 1. c) Beräkna sannolikheten att exakt en av A eller B inträffar (6 poäng)
Övningstentamen Uppgift : Vid ett experiment kan en händelse A, en händelse B eller både A och B inträffa. I en serie om 00 försök har man sammanställt följande statistik: i 90 fall har minst en av A eller
Läs merVeckoblad 2. Kapitel 2 i Matematisk statistik, Blomqvist U.
Vecoblad 2 Kaptel 2 Matemats statst, Blomqvst U. ya begrepp: oberoende händelser, betngad sannolhet, Bayes formel.. är man sall lösa problem, där sntt mellan händelser ngår, an det ofta vara tll hjälp
Läs merIntroduktion till statistik för statsvetare
"Det finns inget så praktiskt som en bra teori" November 2011 Repetition Vad vi gjort hitills Vi har börjat med att studera olika typer av mätningar och sedan successivt tagit fram olika beskrivande mått
Läs merLösningsförslag till Tillämpad matematisk statistik LMA521, Tentamen
Lösningsförslag till Tillämpad matematisk statistik LMA21, Tentamen 201801 Betygsgränser: för betyg krävs minst 20 poäng, för betyg 4 krävs minst 0 poäng, för betyg krävs minst 40 poäng. 1. Vid en kvalitetskontroll
Läs merLMA521: Statistisk kvalitetsstyrning
Föreläsning 6 Tidigare Styrande kontroll enligt variabelmetoden: Medelvärdesdiagram R-diagram/ s-diagram Dagens innehåll 1 Styrande kontroll enligt attributmetoden 2 Felkvotsdiagram 3 Felantalsdiagram
Läs meren observerad punktskattning av µ, ett tal. x = µ obs = 49.5.
February 6, 2018 1 Föreläsning VIII 1.1 Punktskattning Punktskattning av µ Vi låter {ξ 1, ξ 2,..., ξ n } vara oberoende likafördelade stokastiska variabler (med ett gemensamt µ). ξ =: µ är en punktskattning
Läs merKurssammanfattning MVE055
Obs: Detta är enbart tänkt som en översikt och innehåller långt ifrån allt som ingår i kursen (vilket anges exakt på hemsidan). Fullständiga antaganden i satser kan saknas och fel kan förekomma så kontrollera
Läs mer1 Föreläsning I, Mängdlära och elementär sannolikhetsteori,
1 Föreläsning I, Mängdlära och elementär sannolikhetsteori, LMA201, LMA521 1.1 Mängd (Kapitel 1) En (oordnad) mängd A är en uppsättning av element. En sådan mängd kan innehålla ändligt eller oändlligt
Läs merF10 Problemlösning och mer om konfidensintervall
1/13 F10 Problemlösning och mer om konfidensintervall Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 22/2 2013 2/13 Dagens föreläsning Problemlösning Skattningar Konfidensintervall
Läs merMVE051/MSG Föreläsning 7
MVE051/MSG810 2016 Föreläsning 7 Petter Mostad Chalmers November 23, 2016 Överblick Deskriptiv statistik Grafiska sammanfattningar. Numeriska sammanfattningar. Estimering (skattning) Teori Några exempel
Läs merExempel. Kontinuerliga stokastiska variabler. Integraler i stället för summor. Integraler i stället för summor
Kontinuerliga stokastiska variabler Exempel En stokastisk variabel är kontinuerlig om den kan anta vilka värden som helst i ett intervall, men sannolikheten för varje enskilt utfall är noll: P(X = x) =.
Läs mer1. Du slår en tärning två gånger. Låt A vara händelsen att det första kastet blir en sexa och låt B vara händelsen att summan av kasten blir sju.
Projekt MVE49 Del 1 Det är tillåtet att sammarbeta, men alla lösningar skall lämnas in individuellt. Sista inlämningsdag är 4de oktober på föreläsningen. Det är ok att lämna in elektroniskt genom att maila
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2019-06-07 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 9.00 14.00 Lärare: Adam Jonsson Jourhavande
Läs mer7. NÅGRA SPECIELLA DISKRETA SANNOLIKHETSFÖRDELNINGAR
7. NÅGRA SPECIELLA DISKRETA SANNOLIKHETSFÖRDELNINGAR Några sannolikhetsfördelningar förekommer ofta i tillämpade problem. Eftersomdeförekommeroftahardefåttspeciellanamn. Idettakapitelskallvi studera två
Läs merStatistik 1 för biologer, logopeder och psykologer
Innehåll 1 Grunderna i sannolikhetslära 2 Innehåll 1 Grunderna i sannolikhetslära 2 Satistik och sannolikhetslära Statistik handlar om att utvinna information från data. I praktiken inhehåller de data
Läs mer4. Stokastiska variabler
4. Stokastiska variabler En stokastisk variabel (s.v.) är en funktion som definieras i utfallsrummet. Varje stokastisk variabel har en viss sannolikhetsstruktur. Ex: Man kastar två tärningar. Låt X = summan
Läs merDEL I. Matematiska Institutionen KTH
1 Matematisa Institutionen KTH Lösningar till tentamenssrivning på ursen Disret Matemati, moment A, för D2 och F, SF161 och SF160, den 9 mars 2009 l 14.00-19.00. DEL I 1. (p Lös reursionsevationen med
Läs mer7. NÅGRA SPECIELLA DISKRETA SANNOLIKHETSFÖRDELNINGAR
7. NÅGRA SPECIELLA DISKRETA SANNOLIKHETSFÖRDELNINGAR Några sannolikhetsfördelningar förekommer ofta i tillämpade problem. Eftersomdeförekommeroftahardefåttspeciellanamn. Idettakapitelskallvi studera några
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2017-01-13 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 9.00 14.00 Lärare: Adam Jonsson, Niklas
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2019-01-18 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 9.00 14.00 Lärare: Adam Jonsson, Mykola
Läs merKapitel 3 Diskreta slumpvariabler och deras sannolikhetsfördelningar
Sannolikhetslära och inferens II Kapitel 3 Diskreta slumpvariabler och deras sannolikhetsfördelningar 1 Diskreta slumpvariabler En slumpvariabel tilldelar tal till samtliga utfall i ett slumpförsök. Vi
Läs merFöreläsning G70 Statistik A
Föreläsning 2 732G70 Statistik A Introduktion till sannolikhetslära Sannolikhetslära: område inom statistiken där vi studerar experiment vars utfall beror av slumpen Sannolikhet: numeriskt värde (mellan
Läs merDiskreta stokastiska variabler
Definitioner: Diskret stokstisk vribler Utfllet i ett slumpmässigt försök i form v ett reellt tl, betrktt innn försöket utförts, klls för stokstisk vribel eller slumpvribel (oft betecknd ξ, η ) Ett resultt
Läs merFöreläsning 5, FMSF45 Summor och väntevärden
Föreläsning 5, FMSF45 Summor och väntevärden Stas Volkov 2017-09-19 Stanislav Volkov s.volkov@maths.lth.se FMSFF45 F5: väntevärden 1/18 2D stokastisk variabel Tvådimensionella stokastisk variabel (X, Y)
Läs merFöreläsning 1. Repetition av sannolikhetsteori. Patrik Zetterberg. 6 december 2012
Föreläsning 1 Repetition av sannolikhetsteori Patrik Zetterberg 6 december 2012 1 / 28 Viktiga statistiska begrepp För att kunna förstå mer avancerade koncept under kursens gång är det viktigt att vi förstår
Läs mer1 Jag själv lärde om detta av en kollega som, kanske, heter Joel Andersson
1 Kryptering 11 Vi sall 1 idag titta lite på ryptering, och mera specifit hur elliptisa urvor används i ryptering, såallad ECDSA Vi sall ocså se ett atuelt exempel på hur detta inte sall användas 12 Problemet
Läs merTentamen i matematisk statistik för BI2 den 16 januari 2009
Tentamen i matematisk statistik för BI den 6 januari 9 Uppgift : Ett graviditetstest att använda i hemmet är inte helt tillförlitligt. Ett speciellt test visar positivt resultat för kvinnor, som inte är
Läs merSF1901: Sannolikhetslära och statistik
SF1901: Sannolikhetslära och statistik Föreläsning 8. Approximationer av sannolikhetsfördelningar Jan Grandell & Timo Koski 11.02.2016 Jan Grandell & Timo Koski Matematisk statistik 11.02.2016 1 / 40 Centrala
Läs merFACIT: Tentamen L9MA30, LGMA30
Göteborgs Universitetet GU Lärarprogrammet 06 FACIT: Matematik för lärare, åk 7-9, Sannolikhetslära och statistik, Matematik för gymnasielärare, Sannolikhetslära och statistik 07-0-04 kl..0-.0 Examinator
Läs merMer om slumpvariabler
1/20 Mer om slumpvariabler Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 4/2 2013 2/20 Dagens föreläsning Diskreta slumpvariabler Vilket kretskort ska man välja? Väntevärde
Läs merSannolikheter och kombinatorik
Sannolikheter och kombinatorik En sannolikhet är ett tal mellan 0 och 1 som anger hur frekvent en händelse sker, där 0 betyder att det aldrig sker och 1 att det alltid sker. När vi talar om sannolikheter
Läs merFöreläsning 2, FMSF45 Slumpvariabel
Föreläsning 2, FMSF45 Slumpvariabel Stas Volkov 2017-09-05 Stanislav Volkov s.volkov@maths.lth.se FMSF45 F2: Slumpvariabel 1/23 Begrepp Samband Grundläggande begrepp och beteckningar Utfall resultatet
Läs merbli bekant med summor av stokastiska variabler.
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORÖVNING 2 MATEMATISK STATISTIK FÖR E FMSF20 Syfte: Syftet med dagens laborationen är att du skall: få förståelse för diskreta, bivariate
Läs merFöreläsning 3. Sannolikhetsfördelningar
Föreläsning 3. Sannolikhetsfördelningar Jesper Rydén Matematiska institutionen, Uppsala universitet jesper.ryden@math.uu.se 1MS008, 1MS777 vt 2016 Slumpvariabel? Resultatet av ett slumpmässigt försök utgörs
Läs mer