Grundläggande matematisk statistik
|
|
- Birgit Lund
- för 5 år sedan
- Visningar:
Transkript
1 Grundläggnde mtemtisk sttistik Diskret och kontinuerlig slumpvribler Uwe Menzel, Diskret och kontinuerlig slumpvribler Slumpvribel (s.v.): vribel som ntr slumpmässig värden, beskriver ett slumpförsök stor bokstäver: X, Y, L osv. obestämt före slumpförsöket Observtion (för en s.v.): resultt (relistion) v ett slumpförsök små bokstäver: k, x, l osv. Diskret s.v.: kn endst nt ett ändligt (eller uppräkneligt oändligt) ntl värden ögontlet vid tärningskst ; ntl kst innn mn får 2 gånger smm ögontl i rd ; ntl kunder i en kö; ntlet klienter koppld till en server ; ntlet bilolyckor per år i Sverige osv. Kontinuerlig s.v.: inte diskret! ntr reell värden ( oändligt tätt : melln två godtycklig reell värden finns oändligt mång reell tl) livslängd v en glödlmp ; vikt ; vindhstighet ; elektrisk spänning ; koncentrtion v en kemiklie ;
2 Diskret slumpvribler Diskret s.v.: kn endst nt ett ändligt (eller uppräkneligt oändligt) ntl värden ögontlet vid tärningskst ; ntl kst innn mn får 2 gånger smm ögontl i rd; ntl kunder i en kö ; ntlet klienter koppld till en server ; ntlet bilolyckor per år i Sverige osv. p X k Snnolikhetsfunktionen X : diskret slumpvribel (s.v.) k : relistion (observtion) Beteckning för snnolikheten tt s.v. X ntr värdet k : P X = k = p X k Snnolikhetsfunktion: P X = k för vrje k från Ω X Exempel: tärning s.v. X : ögontlet för en kst P X = 4 = p X 4 = 2
3 Snnolikhetsfunktionenen kn beskrivs på tre sätt: Exempel: tärning: Ω X =, 2, 3, 4, 5,. tbell: k p X k 2. formel: p X k = k =, 2,, 3. stolpdigrm Egenskper hos snnolikhetsfunktionen 0 p X k för ll k (följer från xiom ) ll k p X k = xiom 2 P Ω = P A = p X k k A xiom 3 (utfll för olik k måste vr oförenlig) summers över ll utfll som ingår i händelse A Exempel : tärning A = 2, 4, jämnt tl P A = k=2,4, p X k = p X 2 + p X 4 + p X = 3 3
4 Egenskper hos snnolikhetsfunktionen Exempel : två tärningr s.v. Z = ögonsumm Ω Z = 2, 3,, 2 p Z k k kom ihåg hur tbellen fs Hr vi gjort dett på rätt sätt? : 0 p Z k 2 p Z k = k=2 Egenskper hos snnolikhetsfunktionen Fortsättning, exempel : två tärningr händelse A : summn v ögontlet är ett jämnt tl P A = p Z k = p Z 2 + p Z p Z 2 = 2 k A händelse B : summn v ögontlet 4 P B = P Z 4 = p Z 2 + p Z 3 + p Z 4 = = 4
5 Egenskper hos snnolikhetsfunktionen Exempel, diskret slh.-funktion k Ω =, 2, 3, 4 p X k ? p X 4 = 0. xiom 2 P X = p X = 0.2 P X > = p X 3 + p X 4 = 0.5 P < X 3 = p X 2 + p X 3 = 0.7 OBS!: Ettn är inte inkluderd! För diskret s.v. är det mycket viktigt tt skilj melln < och P < X 3 Egenskper hos snnolikhetsfunktionen Exempel 2, diskret slh.-funktion k p X k 0.2 c 0.3 c 0.4 c 0.5 c Ω =, 2, 3, 4 c =? 4 k= p X k =.4 c = c = 0 4 = 5 7 (xiom 2) Smmnfttning: Snnolikhetsfunktionen nger snnolikheten för vrje utfll v en diskret slumpvribel kn representers med formel, tbell, stolpdigrmm 5
6 Fördelningsfunktionen för diskret slumpvribler Definition fördelningsfunktion: X : s.v. : reellt tl F X = P X tecknet viktigt: lik med eller mindre än! Fördelningsfunktionen kn beräkns med hjälp v snnolikhetsfunktionen: F X = P X = p X k k o Mn summerr över ll p X k vrs rgument k är lik med eller mindre än det reell tlet o (OBS: måste lltså inte tillhör utfllsrummet Ω!) o fördelningsfunktionen är en kumultiv summ. summer över dess k Fördelningsfunktionen för diskret slumpvribler Exempel : tärning utfll k Slh.funktion p X k Fördelningsfkt. F X k Fördelningsfunktionen (CDF) är lltså en kontinuerlig funktion (definerd för reell tl) F X r F X 0.3 = 0 högerkontinuerlig: F X = P(X ) = hoppr p X 3 hoppr p X 2 F X 4.5 = 2 3 F X 000 = r F X är för ll tl som är större än det störst utfllet
7 Fördelningsfunktion, egenskper 0 F X t F X t är ju själv en slh.: F X = P X ; måste vr melln 0 och (xiom ) lim F X t = 0 F X = P X : är noll vänster om det minst t värdet v Ω lim t + F X t = ll utfll måste väl vr mindre än t 2 > t F X t 2 F X t F växer monotont (icke vtgnde). Det dders ju br positiv tl. Beräkning v snnolikhetsfunktionen med hjälp v fördelningsfunktionen (t. ex. tärning): F X 3 = p X + p X 2 + p X 3 F X 4 = F X 3 + p X 4 p X 4 = F X 4 F X 3 p X k = F X k F X k F X k hoppr om p X k, se bild ovn F X är oft tbellerd möjlighet tt beräkn p X k Fördeningsfunktionen och snnolikhet för händelser X : diskret slumpvribel ; F X : dess fördelningsfunktion mycket viktigt tt nvänd tecknen korrekt! P < X b = F X b F X lltså P < X b = P(X b) P(X ) p X k p X k b < X b P(X ) P(X b) b 7
8 Fördeningsfunktionen och komplementstsen P X > = P(X ) P X > = F X p X k P(X ) P X > Kontinuerlig s.v.: Kontinuerlig slumpvribler inte diskret! utfll = reell värden ( oändligt tätt : melln två godtycklig reell värden finns oändligt mång reell tl) livslängd v en glödlmp ; vikt ; vindhstighet ; elektrisk spänning ; koncentrtion v en kemiklie ; 8
9 Täthetsfunktionenen för kontinuerlig slumpvribler En kontinuerlig slumpvribel X kn beskrivs med en täthetsfunktion f X x X : kontinuerlig slumpvribel (s.v.) x : rgument f X x Snnolikheten tt s. v. X hmnr melln de reell värden och b är lik med ren under täthetsfunktionen melln och b: P < X b = න f X x b dx = slh. tt X ligger i intervllet, b Täthetsfunktionenen Aren under en täthetsfunktion måste vr ( xiom 2 : P Ω = ) + න f X x dx = normering Anmärkningr: dett är ju slh.:en tt X hmnr melln - och +, något som med säkerhet måste inträff. Om utfllsrummet Ω är begränst till ett visst intervl u, v så kn integrlgränsern i formeln ovn ersätts med dess värden. En täthetsfunktion kn br nge slh.:en tt s.v. X hmnr melln två värden, ett enskilt värde hr snnolikhet noll! (Det finns ju oändligt mång värden, om enskild värden hde en slh. > 0 så kunde inte normeringen funger). P(X = ) finns inte för kontinuerlig s.v.! 9
10 Täthetsfunktionen Kom ihåg: en snnolikhetsfunktion för en diskret s.v. måste uppfyll krvet 0 p X k I motsts till snnolikhetsfunktionen kn en täthetsfunktion nt värden som är större n, så länge ren under hel kurvn är. Exempel: Likförmig kontinuerlig fördelning på intervllet (,.5) f X x + න f X x.5 dx = න 2 dx = 2x.5 = (mycket) enklre: = Fördelningsfunktionen för kontinuerlig slumpvribler X : kontinuerlig slumpvribel ; F X : dess fördelningsfunktion F X = P X = න f X x dx f X x En ny funktion definers för vrje värde : funktionsvärdet = ren under täthetsfunktionen vänster om. F X är den blå mrkerde ren 0
11 Smmnhnget melln täthetsfunktionen och fördelningsfunktionen F X = P X = න f X x dx f X x täthetsfunktion F X x fördelningsfunktion F X = 0.3 re=0.3 Egenskper hos fördelningsfunktionen X : kontinuerlig slumpvribel ; F X : dess fördelningsfunktion lim F X = 0 F X = P(X ) (OBS!: denn nottion är inte korrekt) lim + F X = F X = P(X ) (OBS!: denn nottion är inte korrekt) Fördelningsfunktionen är monotont växnde (icke vtgnde). F X x Monotonie: 0 växnde om < 2 måste P X P X 2 lltså F X F X 2
12 Beräkning v snnolikheter med hjälp v fördelningsfunktionen X : kontinuerlig slumpvribel ; F X : dess fördelningsfunktion Kom ihåg: snnolikheten tt s. v. X hmnr melln de reell värden och b är lik med ren under täthetsfunktionen melln och b: f X x P < X b b = න f X x dx = F X b F X P < X b P < X b = F X b F X F X OBS!: tt skilj melln och < i formeln för kontinuerlig s.v. inte viktigt F X b Beräkning v snnolikheter med hjälp v fördelningsfunktionen Exempel: f X x = 2 e 2x x 0 0 x < 0 exponentilfördelning f X x exponentilfördelning P 0.25 < X 0.5 P < X.25 2
13 Beräkning v snnolikheter med hjälp v fördelningsfunktionen Exempel, fortsättning : f X x = 2 e 2x x 0 0 x < 0 + ) Koll normeringen: න f X x dx =?? + + න f X x dx = න 2 e 2x dx = 2 2 e 2x = e 2x 0 = Beräkning v snnolikheter med hjälp v fördelningsfunktionen Exempel, fortsättning: f X x = 2 e 2x x 0 0 x < 0 b) Beräkn fördelningsfunktionen: > 0 krävs! F X = න f X x dx = න 2 e 2x dx = e 2x 0 = e 2x 0 = e 2 0 F X x = e 2x x 0 0 x < 0 3
14 Beräkning v snnolikheter med hjälp v fördelningsfunktionen Exempel, fortsättning: f X x = 2 e 2x x 0 0 x < 0 F X x = e 2x x 0 0 x < 0 f X x F X x närmr sig symptotiskt till lim F X = + Beräkning v snnolikheter med hjälp v fördelningsfunktionen Exempel, fortsättning: F X x = e 2x x 0 0 x < 0 f X x exponentilfördelning P 0.25 < X 0.5 P 0.25 < X 0.5 = F X 0.5 F X 0.25 = e e 0.5 = e 0.5 e = P < X.25 P < X.25 = F X.25 F X = e 2.5 e 2 = e 2 e 2.5 =
15 ሶ Smmnhnget melln täthetsfunktionen och fördelningsfunktionen F X = න f X x dx derivering F X = f X derivering v prmeterintegrl Leibniz regel: o() න u() h x dx = h o() oሶ h u() u (om integrnden inte explicit beror på ) Exempel exponentilfördelning, fortsättning: F X = e 2 för > 0 f X = F X = e 2 = 2 e 2 ( > 0) Beräkning v snnolikheter för diskret och kontinuerlig slumpvribler Diskret s.v. Kontinuerlig s.v. P < X b = F X b F X P < X b = P X b = P < X < b mycket viktig! spelr ingen roll p X k b < X b F X F X b 5
16 Beräkning v snnolikheter för kontinuerlig slumpvribler Exempel: täthetsfunktion f Y y = c y 0 < y 0 nnrs c = constnt ) Bestäm konstnten c + = න f Y y dy = න c y dy = c = c 2 c = y2 0 b) Rit upp täthetsfunktionen f Y y f Y y = 2 y 0 < y 0 nnrs Beräkning v snnolikheter för kontinuerlig slumpvribler c) Hitt fördelningsfunktionen f Y y = 2 y 0 < y 0 nnrs F Y t t = න f Y y dy = න 2 y dy = 2 = t 2 för 0 < t 0 2 y2 0 F Y t = 0 för t < 0 (se bild ovn) F Y t = för t > F Y t F Y t = 0 t < 0 t 2 0 < t t >
17 Jämförelse v diskret och kontinuerlig slumpvribler Diskret slumpvribel snnolikhetsfunktion Kontinuerlig slumpvribel täthetsfunktion slh. är noll för ett enskilt reellt värde kn bli större än Jämförelse v diskret och kontinuerlig s.v. Diskret slumpvribel fördelningsfunktion Kontinuerlig slumpvribel fördelningsfunktion monotont växnde från 0 till monotont växnde från 0 till 7
Matematisk statistik för B, K, N, BME och Kemister
Mtemtisk sttistik för B, K, N, BME och Kemister Föreläsning 2 John Lindström 3 ugusti 217 John Lindström - johnl@mths.lth.se FMSF7/MASB2 F1 1/22 Grundläggnde begrepp Stokstisk vribel Snnolikhetsfunktion
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 merMatematisk statistik för B, K, N, BME och Kemister. Matematisk statistik slumpens matematik. Exempel: Utsläpp från Källby reningsverk.
Mtemtisk sttistik för B, K, N, BME och Kemister Föreläsning 1 John Lindström 1 september 2014 John Lindström - johnl@mths.lth.se FMS086/MASB02 F1 2/26 Exempel Tillämpningr Signlbehndling Mtemtisk sttistik
Läs merKontinuerliga variabler
Kontinuerlig vribler c 005 Eric Järpe Högskoln i Hlmstd Antg tt vi kunde mät med oändligt stor noggrnnhet hur stor strömstyrk en viss typ v motstånd klrr. Ing mätningr skulle då vr exkt lik. Om vi mätte
Läs merGrundläggande matematisk statistik
Grundläggande matematisk statistik Flerdimensionella Uwe Menzel, 2018 uwe.menzel@slu.se; uwe.menzel@matstat.de www.matstat.de Flerdimensionella Ett slumpförsök kan ge upphov till flera (s.v.): kast med
Läs merSF1625 Envariabelanalys
SF1625 Envribelnlys Föreläsning 13 Institutionen för mtemtik KTH 27 september 2017 SF1625 Envribelnlys Anmäl er till tentn Anmäl er till tentn nu. Det görs vi min sidor. Om det inte går, mejl studentexpeditionen
Läs merSF1625 Envariabelanalys
Modul 5: Integrler Institutionen för mtemtik KTH 30 november 4 december Integrler Integrler är vd vi sk håll på med denn veck och näst. Vi kommer tt gör följnde: En definition v vd begreppet betyder En
Läs merFöreläsningsmanus i matematisk statistik för lantmätare, vecka 3 och 4 HT07
Föreläsningsmnus i mtemtisk sttistik för lntmätre, veck 3 och 4 HT07 Bengt Ringnér September 5, 2007 Inledning Dett är preliminärt undervisningsmteril. Synpunkter är välkomn. 2 Stokstisk vribler En stokstisk
Läs merIntegraler och statistik
Föreläsning 8 för TNIU Integrler och sttistik Krzysztof Mrcinik ITN, Cmpus Norrköping, krzm@itn.liu.se www.itn.liu.se/krzm ver. 4 - --8 Inledning - lite om sttistik Sttistik är en gren v tillämpd mtemtik
Läs merGrundläggande matematisk statistik
Grundläggande matematisk statistik Kontinuerliga fördelningar Uwe Menzel, 8 www.matstat.de Begrepp fördelning Hur beter sig en variabel slumpmässigt? En slumpvariabel (s.v.) har en viss fördelning, d.v.s.
Läs merGrundläggande matematisk statistik
Grundläggande matematisk statistik Väntevärde, varians, standardavvikelse, kvantiler Uwe Menzel, 28 uwe.menzel@slu.se; uwe.menzel@matstat.de www.matstat.de Väntevärdet X : diskret eller kontinuerlig slumpvariable
Läs mer============================================================ V1. Intervallet [a,b] är ändligt, dvs gränserna a, b är reella tal och INTE ±.
GENERALISERADE INTEGRALER När vi definierr Riemnnintegrl ntr vi tt följnde två krv är uppfylld: V Intervllet [,] är ändligt, dvs gränsern, är reell tl och INTE ± V Funktionen f () är egränsd i intervllet
Läs merVolum av rotationskroppar. Båglängd, rotationsytor. Adams 7.1, 7.2, 7.3
Volum v rottionskroppr. Båglängd, rottionsytor. Adms 7., 7., 7.3 Volum v rottionskroppr. Båglängd, rottionsytor. Integrtion v rtionell uttryck, prtilbråksuppdelning. Exempel med invers substitutioner.
Läs merPreliminär version 2 juni 2014, reservation för fel. Tentamen i matematik. Kurs: MA152G Matematisk Analys MA123G Matematisk analys för ingenjörer
Lösningsförslg Högskoln i Skövde SK, JS) Preliminär version juni 0, reservtion för fel. Tentmen i mtemtik Kurs: MA5G Mtemtisk Anlys MAG Mtemtisk nlys för ingenjörer Tentmensdg: 0-05- kl.0-9.0 Hjälpmedel
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 merMS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I
MS-A0509 Grundkurs i snnolikhetsklkyl och sttistik Smmnfttning, del I G. Gripenerg Alto-universitetet 6 feruri 2015 1 Snnolikheter Oeroende Betingd snnolikhet Byes formel Klssisk snnolikhet och komintorik
Läs merUppsala Universitet Matematiska Institutionen T Erlandsson
Uppsl Universitet Mtemtisk Institutionen T Erlndsson TENTAMEN 5--4 Anlys MN SVAR OCH ANVISNINGAR FRÅGOR... 4. 5. x-xeln 6. y = x + x + 7. y = sin x + 8. y = xe x + 9. y = e x. y = x +.. + x. x = 4. 5.
Läs merExempel för diskreta och kontinuerliga stokastiska variabler
Stokastisk variabel ( slumpvariabel) Sannolikhet och statistik Stokastiska variabler HT 2008 Uwe.Menzel@math.uu.se http://www.math.uu.se/ uwe/ Stokastisk variabel, slumpvariabel (s.v.): Funktion: Resultat
Läs mer1 e x2. lim. x ln(1 + x) lim. 1 (1 x 2 + O(x 4 )) = lim. x 0 x 2 /2 + O(x 3 ) x 2 + O(x 4 ) = lim. 1 + O(x 2 ) = lim = x = arctan x 1
UPPSALA UNIVERSITET Svr till tent i mtemtik Mtemtisk institutionen Anlys MN Distns Jons Elisson 7-- Skrivtid: - 5. Observer tt problemen inte står i svårighetsordning. All svr sk motivers. Det kn krävs
Läs merInduktion LCB 2000/2001
Indution LCB 2/2 Ersätter Grimldi 4. Reursion och indution; enl fll n 2 En tlföljd n nturligtvis definiers genom tt mn nger en explicit formel för uträning v n dess 2 element, som till exempel n 2 () n
Läs merGeneraliserade integraler
Generliserde integrler Mtemtik Breddning 2.5 Frm till denn punkt hr vi endst studert integrler där funktionen som skll integrers vrit begränsd. Dessutom hr det intervll över vilket vi integrerr vrit begränst
Läs merUppsala Universitet Matematiska Institutionen Bo Styf. Sammanfattning av föreläsningarna 5-7.
Uppsl Universitet Mtemtisk Institutionen Bo Styf LAoG I, 5 hp ES, KndM, MtemA -9-6 Smmnfttning v föreläsningrn 5-7. Föreläsningrn 5 7, 7/9 6/9 : Det kommer, liksom i lärooken, inte tt finns utrymme för
Läs merIntegralen. f(x) dx exakt utan man får nöja sig med att beräkna
CTH/GU STUDIO TMVb - / Mtemtisk vetenskper Integrlen Anlys och Linjär Algebr, del B, K/Kf/Bt Inledning Mn kn inte lltid bestämm integrler f() d ekt utn mn får nöj sig med tt beräkn pproimtioner. T.e. e
Läs mer13 Generaliserade dubbelintegraler
Nr 3, 4 pril -5, Ameli 3 Generliserde dubbelintegrler 3. Generliserde enkelintegrler Integrerbrhet är definiert för funktioner som är begränsde och definierde på ett ändligt intervll. ett kn i mång fll
Läs mer9. Bestämda integraler
77 9. Bestämd integrler Låt f vr en icke-negtiv, begränsd funktion på [,b]. Vi hr lltså 0 f(x) ll x [,b] för någon konstnt B. B för Problem: Beräkn ren A v den yt som begränss v kurvn y = f(x), x b, x-xeln
Läs merSats 3: Egenskaper. (a) (b) f(x) dx = 2 f(x) dx. (c) (Af(x) + Bg(x))dx. g(x) dx = A. (d) (e) Om a b och f(x) g(x) (f) Triangelolikheten: Om a b
Sts 3: Egenskper () f(x) dx = 0 (b) f(x) dx = b f(x) dx (c) (Af(x) + Bg(x))dx = A f(x) dx + B g(x) dx (d) f(x) dx + c c f(x) dx = b f(x) dx (e) Om b och f(x) g(x) f(x) dx g(x) dx (f) Tringelolikheten:
Läs merFöreläsning 2, Matematisk statistik för M
Repetition Stok. Var. Diskret Kont. Fördelningsfnk. Föreläsning 2, Matematisk statistik för M Erik Lindström 25 mars 2015 Erik Lindström - erikl@maths.lth.se FMS012 F2 1/16 Repetition Stok. Var. Diskret
Läs merStokastiska variabler
Kpitel 4 Stokstisk vribler Ett utfll v ett slumpmässigt försök är oft sådnt som inte direkt kn mäts. T.ex. försöket Kst med ett symmetriskt mynt hr utfllsrummet {kron, klve}. För tt kvntittivt nlyser försök
Läs merMATEMATISK STATISTIK I FORTSÄTTNINGSKURS. Tentamen måndagen den 17 oktober 2016 kl 8 12
Kurskod: TAMS65 Provkod: TEN MATEMATISK STATISTIK I FORTSÄTTNINGSKURS Tentmen måndgen den 7 oktober 206 kl 8 2 Hjälpmedel: Formelsmling i mtemtisk sttistik utgiven v mtemtisk institutionen och/eller formelsmling
Läs merTrigonometri. 2 Godtyckliga trianglar och enhetscirkeln 2. 3 Triangelsatserna Areasatsen Sinussatsen Kosinussatsen...
Trigonometri Innehåll 1 Rätvinklig tringlr 1 Godtyklig tringlr oh enhetsirkeln 3 Tringelstsern 4 3.1 restsen.............................. 4 3. Sinusstsen.............................. 5 3.3 Kosinusstsen.............................
Läs merIntegraler. 1 Inledning. 2 Beräkningsmetoder. CTH/GU LABORATION 2 MVE /2013 Matematiska vetenskaper
CTH/GU LABORATION MVE6 - / Mtemtisk vetenskper Inledning Integrler Iblnd kn mn inte bestämm integrler exkt utn mn får nöj sig med tt beräkn pproximtioner. T.ex. e x dx kn inte beräkns exkt, eftersom det
Läs merPASS 1. RÄKNEOPERATIONER MED DECIMALTAL OCH BRÅKTAL
PASS. RÄKNEOPERATIONER MED DECIMALTAL OCH BRÅKTAL. Tl, bråktl och decimltl Vd är ett tl för någonting? I de finländsk fmiljern brukr det vnligtvis finns två brn enligt Sttistikcentrlen (http://www.tilstokeskus.fi/tup/suoluk/suoluk_vesto_sv.html).
Läs merLINJÄR ALGEBRA II LEKTION 1
LINJÄR ALGEBRA II LEKTION JOHAN ASPLUND INNEHÅLL. VEKTORRUM OCH DELRUM Hel kursen Linjär Algebr II hndlr om vektorrum och hur vektorrum (eller linjär rum, som de iblnd klls) beter sig. Tidigre hr mn ntgligen
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 merFinaltävling den 20 november 2010
SKOLORNAS MATEMATIKTÄVLING Svensk Mtemtikersmfundet Finltävling den 20 november 2010 Förslg till lösningr Problem 1 Finns det en tringel vrs tre höjder hr måtten 1, 2 respektive 3 längdenheter? Lösning
Läs merDefinition 1 En funktion (eller avbildning ) från en mängd A till en mängd B är en regel som till några element i A ordnar högst ett element i B.
Deinitionsmängd FUNKTIONER. DEFINITIONSMÄNGD OCH VÄRDEMÄNGD. Deinition En unktion (eller vbildning ) rån en mängd A till en mängd B är en regel som till någr element i A ordnr högst ett element i B. Att
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 4 7 november 2017 1 / 29 Idag Förra gången Viktiga kontinuerliga fördelningar (Kap. 3.6) Fördelningsfunktion (Kap. 3.7) Funktioner av stokastiska
Läs merMat-1.1510 Grundkurs i matematik 1, del III
Mt-.50 Grundkurs i mtemtik, del III G. Gripenberg TKK december 00 G. Gripenberg TKK) Mt-.50 Grundkurs i mtemtik, del III december 00 / 59 Vribelbyte F gx))g x) dx = d F gx)) dx dx = / b F gx)) = F gb))
Läs merTATA42: Tips inför tentan
TATA42: Tips inför tentn John Thim 25 mj 205 Syfte Tnken med dett kort dokument är tt ge lite extr studietips inför tentn. Kursinnehållet definiers så klrt fortfrnde v kursplnen och kurslitterturen så
Läs mer9. Vektorrum (linjära rum)
9. Vektorrum (linjär rum) 43. Vektorrum (linjärt rum) : definition och xiom 44. Exempel på vektorrum v funktioner. 45. Hur definierr mn subtrktion i ett vektorrum? 46. Underrum 47. Linjärkombintioner,
Läs merSfärisk trigonometri
Sfärisk trigonometri Inledning Vi vill nvänd den sfärisk trigonometrin för beräkningr på storcirkelrutter längs jordytn (för sjöfrt och luftfrt). En storcirkel är en cirkel på sfären vrs medelpunkt smmnfller
Läs merTMV151/TMV181. Fredrik Lindgren. 19 november 2013
TMV151/TMV181 Fredrik Lindgren Mtemtisk vetenskper Chlmers teknisk högskol och Göteborgs universitet 19 november 2013 F. Lindgren (Chlmers&GU) Envribelnlys 19 november 2013 1 / 24 Outline 1 Mss, moment
Läs merx 12 12 = 32 12 x 11 + 11 = 26 + 11 x 20 + 20 = 45 + 20 x=3 x=5 x=6 42 = 10x x + 10 = 15 x + 10 10 = 15 10 11 + 9 = 20 x = 65 x + 36 = 46
Vilket tl sk stå i rutn så tt likheten stämmer? + Lös ekvtionen så tt likheten stämmer. = + 9 = + = + = = Det sk stå 9 i rutn. Subtrher båd leden med. r -termen sk vr kvr i vänstr ledet. Skriv rätt tl
Läs merLösningsförslag till tentamen i SF1683 och SF1629 (del 1) 23 oktober 2017
KTH, Mtemtik Mri Sprkin Lösningsförslg till tentmen i SF683 och SF629 (del ) 23 oktober 207 Tentmen består v sex uppgifter där vrder uppgift ger mximlt fr poäng. Preliminär betgsgränser: A 2 poäng, B 9,
Läs merArea([a; b] [c; d])) = (b a)(d c)
Aren och integrl Summor Huvudämne i föreläsningen är reor v gurer i plnet och integrler. Integrl är ett egrepp som låter de nier reor v gurer i plnet, och speciellt eräkn reor melln grfer v funktioner
Läs merMATEMATIKPROV, LÅNG LÄROKURS BESKRIVNING AV GODA SVAR
MATEMATIKPROV, LÅNG LÄROKURS 905 BESKRIVNING AV GODA SVAR De beskrivningr v svrens innehåll och poängsättningr som ges här är inte bindnde för studentexmensnämndens bedömning Censorern beslutr om de kriterier
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 merExponentiella förändringar
Eonentiell förändringr Eonentilfunktionen - llmänt Eonentilfunktionen r du tidigre stött å i åde kurs oc 2. En nyet är den eonentilfunktion som skrivs y = e. (Se fig. nedn) Tlet e, som är mycket centrlt
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 merKOMPLETTERANDE MATERIAL TILL KURSEN MATEMATIK II, MATEMATISK ANALYS DEL A VT 2015
KOMPLETTERANDE MATERIAL TILL KURSEN MATEMATIK II, MATEMATISK ANALYS DEL A VT 2015 ANDRZEJ SZULKIN 1. Supremum, infimum och kontinuerlig funktioner I ppendix A3 i [PB2] definiers begreppen supremum och
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 merRÄKNEOPERATIONER MED VEKTORER. LINJÄRA KOMBINATIONER AV VEKTORER. ----------------------------------------------------------------- Låt u vr en vektor med tre koordinter u. Vi säger tt u är tredimensionell
Läs merKvalificeringstävling den 2 oktober 2007
SKOLORNAS MATEMATIKTÄVLING Svensk Mtemtikersmfundet Kvlifieringstävling den oktober 007 Förslg till lösningr 1 I en skol hr vr oh en v de 0 klssern ett studieråd med 5 ledmöter vrder Per är den ende v
Läs merMat Grundkurs i matematik 1, del II
Mt-1.1510 Grundkurs i mtemtik 1, del II G. Gripenberg TKK 12 november 2009 G. Gripenberg (TKK) Mt-1.1510 Grundkurs i mtemtik 1, del II 12 november 2009 1 / 44 Mx och min Om A R så är mx A det störst elementet
Läs merNATIONELLT KURSPROV I MATEMATIK KURS C VÅREN 2005 3. Del I, 10 uppgifter utan miniräknare 4. Del II, 8 uppgifter med miniräknare 6
Kurs plnering.se NpMC vt005 (5) Innehåll Förord NATIONELLT KURSPROV I MATEMATIK KURS C VÅREN 005 Del I, 0 uppgifter utn miniräknre 4 Del II, 8 uppgifter med miniräknre 6 Förslg på lösningr till uppgifter
Läs merNågra integraler. Kjell Elfström. x = f 1 (y) = arcsin y. . 1 y 2 Vi låter x och y byta roller och formulerar detta resultat som en sats: cos x = 1
F r å g L u n d o m m t e m t i k Mtemtikcentrum Mtemtik NF Någr integrler Kjell Elfström Invers funktioner Om f är en funktion, och ekvtionen f() = till vrje V f hr en entdigt bestämd lösning D f, så
Läs merUppsala Universitet Matematiska Institutionen Thomas Erlandsson
Uppsl Universitet Mtemtisk Institutionen Thoms Erlndsson RÄTA LINJER, PLAN, SKALÄRPRODUKT, ORTOGONALITET MM VERSION MER OM EKVATIONSSYSTEM Linjär ekvtionssystem och den geometri mn kn härled ur dess är
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 merMatematiska uppgifter
Element Årgång 59, 976 Årgång 59, 976 Först häftet 3020. Lös på enklste sätt ekvtionssystemet (Svr: x = v = 2 och y = u = 2) x + 7y + 3v + 5u = 6 8x + 4y + 6v + 2u = 6 2x + 6y + 4v + 8u = 6 5x + 3y + 7v
Läs merV1. Intervallet [a,b] är ändligt, dvs gränserna a, b är reella tal och INTE ±. är begränsad i intervallet [a,b].
Armin Hlilovic: ETRA ÖVNINGAR Generliserde integrler GENERALISERADE INTEGRALER När vi definierr Riemnnintegrl f ( ) d ntr vi tt följnde två krv är uppfylld: V. Intervllet [,] är ändligt, dvs gränsern,
Läs merEtt förspel till Z -transformen Fibonaccitalen
Ett förspel till Z -trnsformen Fibonccitlen Leonrdo Pisno vnligen klld Leonrdo Fiboncci, den knske störste mtemtiker som Europ frmburit före renässnsen skrev år 10 en bok (Liber bci) i räknelär. J, fktiskt.
Läs mer============================================================ V1. Intervallet [a,b] är ändligt, dvs gränserna a, b är reella tal och INTE.
GENERALISERADE INTEGRALER ============================================================ När vi definierr Riemnnintegrl ntr vi tt följnde två krv är uppfylld: V. Intervllet [,] är ändligt, dvs gränsern,
Läs merStudieplanering till Kurs 3b Grön lärobok
Studieplnering till Kurs 3b Grön lärobok Den här studieplneringen hjälper dig tt häng med i kursen. Plneringen följer lärobokens uppdelning i kpitel och vsnitt. Iblnd får du tips på en inspeld genomgång
Läs merÏ x: 0 Æ 1 Ì [ ] y > 0, 0 < y <1 y växande, 0 < y < 1
Tentmensskrivning i Mtemtik IV, 5B2 Fredgen den 2 ugusti 24, kl 4-9 Hjälmedel: BETA, Mthemtics Hndook Redovis lösningrn å ett sådnt sätt tt eräkningr och resonemng är lätt tt följ Svren skll ges å reell
Läs merENVARIABELANALYS - ETT KOMPLEMENT
ENVARIABELANALYS - ETT KOMPLEMENT DAN STRÄNGBERG Innehåll Smmnfttning. Vd som börjde som föreläsningsnteckningr till en repetitionskurs i envribelnlys hr utvecklts till dett kompendium som är ment som
Läs merV1. Intervallet [a,b] är ändligt, dvs gränserna a, b är reella tal och INTE ±. är begränsad i intervallet [a,b].
Armin Hlilovic: ETRA ÖVNINGAR Generliserde integrler GENERALISERADE INTEGRALER När vi definierr Riemnnintegrl f ( ) d ntr vi tt följnde två krv är uppfylld: V. Intervllet [,] är ändligt, dvs gränsern,
Läs merGEOMETRISKA VEKTORER Vektorer i rummet.
GEOMETRISKA VEKTORER Vektorer i rummet. v Någr v de storheter som förekommer inom nturvetenskp kn specificers genom tt ders mätetl nges med ett end reellt tl. Exempel på sådn storheter, som klls sklär
Läs merTATA42: Föreläsning 4 Generaliserade integraler
TATA42: Föreläsning 4 Generliserde integrler John Thim 29 mrs 27 Vi hr stött på begreppet tidigre när vi diskutert Riemnnintegrler i föregående kurs. Denn gång kommer vi lite mer tt fokuser på frågn om
Läs mer4 Signaler och system i frekvensplanet Övningar
Signler och system i frevensplnet Övningr. Bestäm fourierserieoefficientern för de periodis signlern ) 7 δ [ n ] N = b) { δ [ n ] δ [ n 6] } N = c) { δ [ n + ] δ [ n ] } N =. T frm fourierserieoefficientern
Läs merSF1901: SANNOLIKHETSTEORI OCH KONTINUERLIGA STOKASTISKA VARIABLER STATISTIK. Tatjana Pavlenko. 7 september 2016
SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 4 KONTINUERLIGA STOKASTISKA VARIABLER Tatjana Pavlenko 7 september 2016 PLAN FÖR DAGENS FÖRELÄSNING Repetition av diskreta stokastiska variabler. Väntevärde
Läs merGrundläggande matematisk statistik
Grundläggande matematisk statistik Grundbegrepp, axiomsystem, betingad sannolikhet, oberoende händelser, total sannolikhet, Bayes sats Uwe Menzel uwe.menzel@slu.se 23 augusti 2017 Slumpförsök Ett försök
Läs merMatematisk statistik 9hp Föreläsning 2: Slumpvariabel
Matematisk statistik 9hp Föreläsning 2: Slumpvariabel Anna Lindgren 6+7 september 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F2: Slumpvariabel 1/23 Begrepp Samband Grundläggande begrepp Utfall
Läs merf(x)dx definieras som arean av ytan som begränsas av y = f(t), y = 0, t = a och t = b, se figur.
Föreläsning. Integrl En förenkl efinition Antg tt f(x) å x b och tt f(x) är kontinuerlig är. Den bestäm integrlen b f(x)x efiniers som ren v ytn som begränss v y = f(t), y =, t = och t = b, se figur. Insättningsformeln
Läs merSIGNALER OCH SYSTEM II LEKTION 2 / MATEMATISK LEKTION 1. Fredrik Andréasson. Department of Mathematics, KTH
SIGNALER OCH SYSTEM II LEKTION 2 / MATEMATISK LEKTION Fredrik Andrésson Deprtment of Mthemtics, KTH Lplcetrnsformen. I förr delkursen studerde vi fouriertrnsformen v en funktion h(t) H(iω) F[h(t)] Vi definierr
Läs merTATA42: Föreläsning 4 Generaliserade integraler
TATA42: Föreläsning 4 Generliserde integrler John Thim 5 november 28 Vi hr stött på begreppet tidigre när vi diskutert Riemnnintegrler i föregående kurs. Denn gång kommer vi lite mer tt fokuser på frågn
Läs mer6 Formella språk. Matematik för språkteknologer (5LN445) UPPSALA UNIVERSITET
UPPSALA UNIVERSITET Mtemtik för språkteknologer (5LN445) Institutionen för lingvistik och filologi VT 2014 Förfttre: Mrco Kuhlmnn 2013 (mindre revision Mts Dhllöf 2014) 6 Formell språk Det mänsklig språket
Läs merSammanfattning, Dag 9
Smmnfttning, Dg 9 Idg studerde vi begrepp sklärprudokt (eller innerprodukt), norm och ortogonlitet på ett llmänt vektorrum. Vi börjde med en kort repetition på smm begrep för vektorrummet R 3. I rummet
Läs merVilken rät linje passar bäst till givna datapunkter?
Vilken rät linje pssr bäst till givn dtpunkter? Anders Källén MtemtikCentrum LTH nderskllen@gmil.com Smmnfttning I det här dokumentet diskuterr vi minst-kvdrtmetoden för skttning v en rät linje till dt.
Läs merVolym och dubbelintegraler över en rektangel
Volym oh dubbelintegrler över en rektngel All funktioner nedn nts vr kontinuerlig. Om f (x i intervllet [, b], så är ren v mängden {(x, y : y f (x, x b} lik med integrlen b f (x dx. Låt = [, b] [, d] =
Läs merTillämpning av integraler
CTH/GU LABORATION 3 MVE6 - /3 Mtemtisk vetenskper Inledning Tillämpning v integrler Vi skll se på två tillämpningr v integrler. Först ren oh volymen v rottionskropp sedn omkretsen v en ellips. Rottionskroppr
Läs mer1.1 Sfäriska koordinater
Föreläsning 3 Mång fysiklisk problem hr någon slgs symmetri. Mest vnligt förekommnde är sfärisk cylinisk. Det visr sig tt mn kn förenkl beräkningr betydligt om mn nvänder sfärisk /eller cylinisk koordinter..
Läs merGEOMETRISKA VEKTORER Vektorer i rummet.
GEOMETRISKA VEKTORER Vektorer i rummet. v 6 Någr v de storheter som förekommer inom nturvetenskp kn specificers genom tt ders mätetl nges med ett end reellt tl. Exempel på sådn storheter, som klls sklär
Läs merLaborationstillfälle 3 Numerisk integration
Lbortionstillfälle 3 Numerisk integrtion Målsättning vid lbtillfälle 3: Klr v lbortionsuppgift. Innn dess läser mn hel texten nog. I mån v tid görs övning, men den är gnsk svår. Numerisk integrtion Oft
Läs merDenna föreläsning. DN1212 Numeriska metoder och grundläggande programmering FN Linjära ekvationssystem. Repetition av FN3 (GNM kap 4.
Denn föreläsning DN11 Numerisk metoder och grundläggnde progrmmering FN4 9--17 Hedvig Kjellström hedvig@csc.kth.se! Repetition v FN3 (GNM kp 4.1)! Interpoltion! Minst-kvdrtnpssning! Dignostiskt prov på
Läs merKomplexa tal. j 2 = 1
Komplex tl De komplex tlen nvänds när mn behndlr växelström inom elektroniken. Imginär enheten beteckns i elektroniken med j (i, som nvänds i mtemtiken, är ju upptget v strömmen). Den definiers v j = 1
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 merGör slag i saken! Frank Bach
Gör slg i sken! Frnk ch På kppseglingsbnn ser mn tävlnde båtr stgvänd lite då och då under kryssrn. En del v båtrn seglr för styrbords hlsr och ndr för bbords. Mn kn undr vem som gör rätt och hur mn kn
Läs merBelöningsbaserad inlärning. Reinforcement Learning. Inlärningssituationen Belöningens roll Förenklande antaganden Centrala begrepp
Belöningsbserd Inlärning Reinforcement Lerning 1 2 3 4 1 2 3 4 Belöningsbserd inlärning Reinforcement Lerning Inlärning v ett beteende utn tillgång till fcit. En belöning ger informtion om hur br det går
Läs merMatris invers, invers linjär transformation.
Mtris invers, invers linjär trnsformtion. Påminnelse om mtris beräkningr: ddition, multipliktion med sklärer och mtrisprodukt Algebrisk egenskper hos mtrisddition och multipliktion med ett tl (Ly Sts..,
Läs merUttryck höjden mot c påtvåolikasätt:
Sinusstsen Beviset i PB gger å tre resultt som nog få gmnsieelever är förtrogn med. Vrje tringel hr en s.k. omskriven cirkel en cirkel som går genom ll tre hörnen : C Uttrck höjden mot c åtvåoliksätt:
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 merByt till den tjocka linsen och bestäm dess brännvidd.
LINSER Uppgit: Mteriel: Teori: Att undersök den rytnde örmågn hos olik linser och tt veriier linsormeln Ljuskäll och linser ur Optik-Elin Med hjälp v en lmp och en ländre med ler öppningr år vi ler ljusstrålr,
Läs merLöpsedel: Integraler. Block 4: Integraler. Lärobok. Exempel (jfr lab) Exempel (jfr lab) Integrering i Matlab
Löpsedel: Integrler Block : Integrler Grundidé, numerisk kvdrtur Noggrnnet, teoretiskt Prktisk feluppskttning med ricrdsonextrpoltion Adptiv kvdrtur Noggrnnet, inverkn v mätfel/vrundningsfel Lärook Kp
Läs merAnalys o 3D Linjär algebra. Lektion 16.. p.1/53
Anlys o 3D Linjär lgebr Lektion 16. p.1/53 . p.2/53 v 3D Linjär lgebr Hr betrktt vektorer v typen etc resp dvs ordnde triplr v typen. reell tl 3D Linjär lgebr Punkt-vektor dulismen En ordnd tripel v typen
Läs merSERIER OCH GENERALISERADE INTEGRALER
SERIER OCH GENERALISERADE INTEGRALER MARTIN TAMM. Inledning Då och då hr vi i tidigre urser ställts inför problemet tt hnter summor med oändligt mång termer, t e Eempel. () eller Eempel. () = ( ) = + +
Läs merTillämpning - Ray Tracing och Bézier Ytor. TANA09 Föreläsning 3. Icke-Linjära Ekvationer. Ekvationslösning. Tillämpning.
TANA09 Föreläsning 3 Tillämpning - Ry Trcing och Bézier Ytor z = B(x, y) q o Ekvtionslösning Tillämpning Existens Itertion Konvergens Intervllhlveringsmetoden Fixpuntsitertion Newton-Rphsons metod Anlys
Läs mer14 Spelteori Två-personers nollsummespel och konstantsummespel: sadelpunkt
14 Spelteori 14.1 Två pers nollsummespel: sdelpunkt 14.2 Två pers nollsummespel: rndomiserd strtegi, dominns, grfisk lösning 14.3 LP och nollsummespel 14.4 Två personer - icke konstnt spel. 14.5 Intro
Läs merUppgiftssamling 5B1493, lektionerna 1 6. Lektion 1
Uppgiftssmling 5B1493, lektionern 1 6 Lektion 1 4. (Räkning med oändlig decimlbråk) Låt x = 0, 1 2 3 n och y = 0,b 1 b 2 b 3 b n ( i och b i siffror 0, 1,, 9).. Kn Du beskriv något förfrnde som säkert
Läs mer0 a. a -Â n 2 p n. beskriver på sedvanligt sätt en a-periodisk utvidgning av f. Nedanför ritas en partialsumma av Fourierserien.
Sinus- och cosinusserier I slutet v kursen där vi skll lös differentilekvtioner på ändlig intervll v typen H, L, behöver vi konstruer Fourierserier med en viss typ v uppförnde i intervllens ändpunkter.
Läs mer