Matematisk statistik för D, I, Π och Fysiker
|
|
- Per-Erik Eklund
- för 5 år sedan
- Visningar:
Transkript
1 max/min Matematisk statistik för D, I, Π och Fysiker Föreläsning 5 Johan Lindström 25 september 218 Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 1/25 max/min Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 2/25 max/min Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 3/25
2 max/min Resultat : Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 4/25 max/min 1. För att kontrollera kvaliteten på ett stort parti väljs 1 enheter ut och om antalet felaktiga av dessa överstiger 1 enhet avskiljs partiet. Antag att partiets felandel är 5/1. Beräkna sannolikheten att partiet kommer att godkännas. 2. Orterna A och B ligger på var sin sida av ett vattendrag och förbinds av en bro. Antalet fordon som under en minut färdas från A till B är poissonfördelat med väntevärde 3 medan antal fordon i andra riktningen är poissonfördelat med väntevärde 5. Beräkna sannolikheten att det under en minut kommer minst 12 fordon på bron. Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 5/25 max/min 2D stokastisk variabel Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 6/25
3 max/min 2D stokastisk variabel (Kap. 4) En 2D (bivariate) stokastisk variabel beskrivs av en Simultan fördelnings-, sannolikhets- eller täthetsfunktion F X,Y (x, y) = P(X x, Y y) (Def. 4.2) p X,Y (j, k) = P(X = j, Y = k) (Def. 4.3) f X,Y (x, y) = 2 x y F X,Y(x, y) (Def. 4.4) Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 7/25 max/min 2D stokastisk variabel Sannolikheten att hamna i A är integral av tätheten över A P(X A) = A f X (x) dx P((X, Y) A) = A f X,Y (x, y) dxdy f X (x) A x Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 8/25 max/min 2D stokastisk variabel Fler egenskaper (för täthetsfunktioner) (Kap. 4) Marginella tätheten f Y (y) = f X,Y (x, y) dx Betingad täthetsfunktion för X givet att Y = y f X Y (x y) = f X,Y(x, y) f Y (y) X och Y är oberoende f X,Y (x, y) = f X (x)f Y (y) för alla (x, y) Satsen om total sannolikhet Bayes sats f X (x) = f Y X (y x) = f X Y (x y)f Y (y)dy f X Y (x y)f Y (y) f X Y(x z)f Y (z)dz Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 9/25
4 f(y) y y max/min 2D stokastisk variabel 1 1 f(x,y) f(y) x x Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 1/25 max/min Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 11/25 max/min Summa av två oberoende s.v., Z = X + Y (Kap. 4.7) Diskret: p Z (k) = k p X (i) p Y (j) = p X (i)p Y (k i) i+j=k i= Kontinuerlig: F Z (z) = f X (x) f Y (y) dxdy = f Z (z) = x+y z f X (x)f Y (z x) dx f X (x)f Y (z x) dx sv.wikipedia.org/wiki/faltning Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 12/25
5 max/min av tärningskast Summa av tärningar.2 p X (k) Antal tärningar k Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 13/25 max/min : Summa av diskreta stokastiska variabler Vad blir sannolikhetsfunktionen för summan av två Poisson fördelade stokastiska variabler X Po (μ x ) och Y Po ( μ y )? p X (k) = μk X k! e μx, k =, 1,... Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 14/25 max/min : Summa av kontinuerliga stokastiska variabler Vad blir tätheten för Z = X + Y om X, Y Exp(λ), där X och Y är oberoende? { λe λx x > f X (x) = f Y (x) = f.ö. Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 15/25
6 max/min Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 16/25 max/min Maximum (Kap. 4.6) Störst av två oberoende Z = max(x, Y) F Z (z) =P(Z z) = P(max(X, Y) z) = P(X z Y z) =F X (z)f Y (z) Störst av fler oberoende Z = max(x 1,..., X n ) n F Z (z) = F Xi (z) i=1 Jfr. alla (Kap. 2.7): P(A 1 A n ) = n i=1 P(A i) Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 17/25 max/min Minimum (Kap. 4.6) Minst av två oberoende Z = min(x, Y) F Z (z) =P(Z z) = P(min(X, Y) z) = 1 P(min(X, Y) > z) =1 P(X > z Y > z) = 1 [1 F X (z)][1 F Y (z)] Minst av fler oberoende Z = min(x 1,..., X n ) n [ ] F Z (z) = 1 1 F Xi (z) i=1 Jfr. minst en (Kap. 2.7): P(A 1 A n ) = 1 n i=1 (1 P(A i)) Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 18/25
7 max/min : Server belastning Belastningen på en server utgörs av oberoende förfrågningar från ett stort antal (n st) användare. Antag att tiden mellan förfrågningar från en användare är exponentialfördelad med parameter λ i. X i Exp (λ i ) Vad är fördelningen för tiden mellan de förfrågningar som inkommer till servern från alla användare? Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 19/25 max/min E(X) & V(X) Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 2/25 max/min E(X) & V(X) Väntevärde, E(X), μ, μ X (Def. 5.1) Väntevärdet anger tyngdpunkten för fördelningen och kan tolkas som det värde man får i medeltal i långa loppet. { k E(X) = k p X(k) Diskr. x f X(x) dx Kont. Varians, V(X), σ 2, σ 2 X (Def. 5.2) Variansen anger hur utspridd X är kring sitt väntevärde. [ ] } 2 V(X) = E{ X E(X) = E(X 2 ) E(X) 2 Standardavvikelse (Def. 5.3), D(X), σ, σ X D(X) = V(X) Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 21/25
8 max/min E(X) & V(X) Väntevärde för f X,Y (x, y) (Kap. 5.2c) För det kontinuerliga fallet ges väntevärdet ges av E(X) = = x f X (x) dx = x f X,Y (x, y) dy dx x f X,Y (x, y) dy dx } {{ } =f X (x) För ett mer komplicerat väntevärde har vi E(g(X, Y)) = g(x, y) f X,Y (x, y) dy dx Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 22/25 max/min E(X) & V(X) Betingat väntevärde för f X,Y (x, y) (Kap. 5.2c) Det betingade väntevärdet för X givet att Y = y blir (inget nytt) E(X Y = y) = x f X Y (x y) dx Satsen om total sannolikhet för väntevärde: E(E(X Y)) = { E(X Y = y)fy (y) dy E(X Y = y) py (k) = E(X) en.wikipedia.org/wiki/law_of_total_expectation Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 23/25 max/min E(X) & V(X), C(X, Y) (Def. 5.7) en anger hur mycket linjärt beroende som finns mellan X och Y. C(X, Y) = E{ [X E(X) ][ Y E(Y) ] } = E(XY) E(X)E(Y) Ur definitionen fås C(X, X) = V(X) X och Y oberoende = C(X, Y) = Obs. C(X, Y) = X och Y oberoende Korrellationskoefficient, ρ, ρ X,Y (Def. 5.8) ρ X,Y = C(X, Y) D(X)D(Y) 1 ρ X,Y 1 Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 24/25
9 max/min E(X) & V(X) Korrellation (Kap. 5.4) Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 25/25
Föreläsning 5, Matematisk statistik Π + E
Repetition Summor max/min Väntevärde Varians Föreläsning 5, Matematisk statistik Π + E Sören Vang Andersen 25 november 2014 Sören Vang Andersen - sva@maths.lth.se FMS012 F5 1/16 Repetition Summor max/min
Läs merMatematisk statistik 9hp Föreläsning 5: Summor och väntevärden
Matematisk statistik 9hp Föreläsning 5: Summor och väntevärden Anna Lindgren 20+21 september 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F5: väntevärden 1/18 2D stokastisk variabel Tvådim. stokastisk
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 merMatematisk statistik för D, I, Π och Fysiker
Matematisk statistik för D, I, Π och Fysiker Föreläsning 6 Johan Lindström oktober 8 Johan Lindström - johanl@maths.lth.se FMSF45/MASB F6 /9 Johan Lindström - johanl@maths.lth.se FMSF45/MASB F6 /9 Summa
Läs merFöreläsning 6, Matematisk statistik Π + E
Repetition Kovarians Stora talens lag Gauss Föreläsning 6, Matematisk statistik Π + E Sören Vang Andersen 2 december 2014 Sören Vang Andersen - sva@maths.lth.se FMS012 F6 1/20 Repetition Kovarians Stora
Läs merMatematisk statistik 9 hp Föreläsning 6: Linjärkombinationer
Matematisk statistik 9 hp Föreläsning 6: Linjärkombinationer Anna Lindgren 27+28 september 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F6: linjärkombinationer 1/21 sum/max/min V.v./var Summa av
Läs merSF1901: Sannolikhetslära och statistik
SF1901: Sannolikhetslära och statistik Föreläsning 4. Väntevärde och varians, funktioner av s.v:er, flera stokastiska variabler. Jan Grandell & Timo Koski 10.09.2008 Jan Grandell & Timo Koski () Matematisk
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 6 13 november 2017 1 / 29 Idag Förra gången Mer om väntevärden och varianser (Kap. 5.2 5.3) Beroendemått (Kap. 5.4) Summor, linjärkombinationer
Läs merFöreläsning 5, Matematisk statistik 7.5hp för E Linjärkombinationer
Föreläsning 5, Matematisk statistik 7.5hp för E Linjärkombinationer Stas Volkov Stanislav Volkov s.volkov@maths.lth.se FMSF20 F5: linjärkombinationer 1/20 sum/max/min V.v./var Summa av två oberoende, Z
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 merMatematisk statistik 9 hp Föreläsning 4: Flerdim
Matematisk statistik 9 hp Föreläsning 4: Flerdim Johan Lindström 3+4 september 26 Johan Lindström - johanl@maths.lth.se FMS2 F4: Flerdim /5 Transformer Inversmetoden Transformation av stokastiska variabler
Läs merFöreläsning 6, FMSF45 Linjärkombinationer
Föreläsning 6, FMSF45 Linjärkombinationer Stas Volkov 2017-09-26 Stanislav Volkov s.volkov@maths.lth.se FMSF45 F6: linjärkombinationer 1/20 sum/max/min V.v./var Summa av två oberoende, Z = X + Y p Z (k)
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 merSF1901: Sannolikhetslära och statistik. Flera stokastiska variabler.
SF1901: Sannolikhetslära och statistik Föreläsning 5. Flera stokastiska variabler. Jan Grandell & Timo Koski 31.01.2012 Jan Grandell & Timo Koski () Matematisk statistik 31.01.2012 1 / 30 Flerdimensionella
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 merSF1901: SANNOLIKHETSTEORI OCH FLERDIMENSIONELLA STOKASTISKA STATISTIK VARIABLER. Tatjana Pavlenko. 8 september 2017
SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 5 FLERDIMENSIONELLA STOKASTISKA VARIABLER Tatjana Pavlenko 8 september 2017 PLAN FÖR DAGENS FÖRELÄSNING Repetition av de viktiga begreppen diskret/kontinuerlig
Läs merMatematisk statistik 9hp Föreläsning 7: Normalfördelning
Matematisk statistik 9hp Föreläsning 7: Normalfördelning Anna Lindgren 29+3 september 216 Anna Lindgren anna@maths.lth.se FMS12/MASB3 F7: normalfördelning 1/18 Kovarians, C(X, Y) Repetition Normalfördelning
Läs merVäntevärde och varians
TNG6 F5 19-4-216 Väntevärde och varians Exempel 5.1. En grupp teknologer vid ITN slår sig ihop för att starta ett företag som utvecklar datorspel. Man vet att det är 8% chans för ett felfritt spel som
Läs merTMS136. Föreläsning 5
TMS136 Föreläsning 5 Två eller flera stokastiska variabler I många situationer är det av intresse att betrakta fler än en s.v. åt gången Speciellt gör man det i statistik där man nästan alltid jobbar med
Läs merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik Chalmers University of Technology September 21, 2015 Tvådimensionella fördelningar Definition En två dimensionell slumpvariabel (X, Y ) tillordnar två
Läs merSF1901: Sannolikhetslära och statistik
SF1901: Sannolikhetslära och statistik Föreläsning 5. Kovarians, korrelation, väntevärde och varians för summor av s.v.:er, normalfördelning (del 1) Jan Grandell & Timo Koski 15.09.2008 Jan Grandell &
Läs merSF1901: Sannolikhetslära och statistik
SF1901: Sannolikhetslära och statistik Föreläsning 6. Kovarians, korrelation, väntevärde och varians för summor av s.v.:er, De stora talens lag Jan Grandell & Timo Koski 04.02.2016 Jan Grandell & Timo
Läs merTMS136. Föreläsning 5
TMS136 Föreläsning 5 Två eller flera stokastiska variabler I många situationer är det av intresse att betrakta fler än en s.v. åt gången Speciellt gör man det i statistik där man nästan alltid jobbar med
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 merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik Chalmers University of Technology April 27, 2015 Tvådimensionella fördelningar Definition En två dimensionell slumpvariabel (X, Y ) tillordnar två numeriska
Läs merSF1901: Sannolikhetslära och statistik
SF1901: Sannolikhetslära och statistik Föreläsning 4. Funktioner av s.v:er, Flera stokastiska variabler. Marginell sannolikhetsfunktion och -täthetsfunktion. Oberoende sv:er, Maximum och minimum av oberoende
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 4 7 november 2017 1 / 29 Idag Förra gången Viktiga kontinuerliga fördelningar (Kap. 3.6) Fördelningsfunktion (Kap. 3.7) Funktioner av stokastiska
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 merMatematisk statistik för B, K, N, BME och Kemister
Matematisk statistik för B, K, N, BME och Kemister Föreläsning 3 Johan Lindström 4 september 7 Johan Lindström - johanl@maths.lth.se FMSF7/MASB F3 /3 fördelningsplot log- Johan Lindström - johanl@maths.lth.se
Läs merFöreläsning 17, Matematisk statistik Π + E
Sannolikhetsteori Statistik Föreläsning 17, Matematisk statistik Π + E Sören Vang Andersen 26 febuar 2015 Sören Vang Andersen - sva@maths.lth.se FMS012 F17 1/63 Stokastisk variabel En stokastisk variabel
Läs merSF1911: Statistik för bioteknik
SF1911: Statistik för bioteknik Föreläsning 6. TK 14.11.2016 TK Matematisk statistik 14.11.2016 1 / 38 Lärandemål Stokastiska modeller för kontinuerliga datatyper Fördelningsfunktion (cdf) Sannolikhetstäthetsfunktion
Läs merLINKÖPINGS UNIVERSITET EXAM TAMS 27 / TEN 2
LINKÖPINGS UNIVERSITET Matematiska institutionen EXAM TAMS 7 / TEN 8 maj 18, klockan 8.-1. Examinator: Jörg-Uwe Löbus Tel: 79-687 Tillåtna hjälpmedel är en räknare, formelsamling i matematisk statistik
Läs merMatematisk statistik för D, I, Π och Fysiker
Matematisk statistik för D, I, Π och Fysiker Föreläsning 8 Johan Lindström 9 oktober 218 Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F8 1/26 process Johan Lindström - johanl@maths.lth.se FMSF45/MASB3
Läs merFINGERÖVNINGAR I SANNOLIKHETSTEORI MATEMATISK STATISTIK AK FÖR I. Oktober Matematikcentrum Matematisk statistik
FINGERÖVNINGAR I SANNOLIKHETSTEORI MATEMATISK STATISTIK AK FÖR I Oktober Matematikcentrum Matematisk statistik CENTRUM SCIENTIARUM MATHEMATICARUM LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK
Läs merLINKÖPINGS UNIVERSITET EXAM TAMS 27 / TEN 2
LINKÖPINGS UNIVERSITET Matematiska institutionen EXAM TAMS 27 / TEN 2 augusti 218, klockan 8.-12. Examinator: Jörg-Uwe Löbus (Tel: 79-62827) Tillåtna hjälpmedel är en räknare, formelsamling i matematisk
Läs merMatematisk statistik för D, I, Π och Fysiker
Sannolikhetsteori Stokastisk variabel 2D stokastisk variabel Linjärkombination Gauss approximation Poissonprocess Markovkedjor Statistik Konfidensintervall Hypotesprövning Regression Multipel reg. Matematisk
Läs merTentamen i matematisk statistik (9MA241/9MA341, STN2) kl 08-12
LINKÖPINGS UNIVERSITET MAI Johan Thim Tentamen i matematisk statistik (9MA21/9MA31, STN2) 212-8-2 kl 8-12 Hjälpmedel är: miniräknare med tömda minnen och formelbladet bifogat. Varje uppgift är värd 6 poäng.
Läs merSF1901: SANNOLIKHETSTEORI OCH MER ON VÄNTEVÄRDE OCH VARIANS. KOVARIANS OCH KORRELATION. STORA TALENS LAG. STATISTIK.
SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 6 MER ON VÄNTEVÄRDE OCH VARIANS. KOVARIANS OCH KORRELATION. STORA TALENS LAG. Tatjana Pavlenko 12 september 2017 PLAN FÖR DAGENS FÖRELÄSNING Repetition
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 merStatistiska metoder för säkerhetsanalys
F6: Betingade fördelningar Exempel: Tillförlitlighet Styrkan hos en lina (wire) kan modelleras enligt en stokastisk variabel Y. En tänkbar modell för styrkan är Weibullfördelning. Den last som linan utsätts
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 merTAMS79: Föreläsning 4 Flerdimensionella stokastiska variabler
TAMS79: Föreläsning 4 Flerdimensionella stokastiska variabler Johan Thim (johan.thim@liu.se) 1 november 18 Vi fokuserar på två-dimensionella variabler. Det är steget från en dimension till två som är det
Läs merMS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I
MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I G. Gripenberg Aalto-universitetet 28 januari 2014 G. Gripenberg (Aalto-universitetet) MS-A0509 Grundkurs i sannolikhetskalkyl
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 merMS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I
MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I G. Gripenberg Sannolikheter Slumpvariabler Centrala gränsvärdessatsen Aalto-universitetet 8 januari 04 3 Tvådimensionella slumpvariabler
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 merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik David Bolin Chalmers University of Technology April 7, 2014 Projektuppgift Projektet går ut på att genomföra ett statistiskt försök och analysera resultaten.
Läs merMatematisk statistik KTH. Formel- och tabellsamling i matematisk statistik
Matematisk statistik KTH Formel- och tabellsamling i matematisk statistik Varterminen 2005 . Kombinatorik n = k n! k!n k!. Tolkning: n k mängd med n element. 2. Stokastiska variabler V X = EX 2 EX 2 =
Läs merTentamen MVE302 Sannolikhet och statistik
Tentamen MVE32 Sannolikhet och statistik 219-6-5 kl. 8:3-12:3 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Oskar Allerbo, telefon: 31-7725325 Hjälpmedel: Valfri miniräknare.
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 merFORMELSAMLING MATEMATISK STATISTIK FÖR W; FMSF75 UPPDATERAD Sannolikhetsteori. Beskrivning av data. Läges-, spridnings- och beroendemått
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK FORMELSAMLING MATEMATISK STATISTIK FÖR W; FMSF75 UPPDATERAD 208-08-26 Sannolikhetsteori Följande gäller för sannolikheter: 0 P(A P(Ω = P(A
Läs mer6. Flerdimensionella stokastiska variabler
6 Flerdimensionella stokastiska variabler 61 Simultana fördelningar Den simultana fördelningsfunktionen av X och Y, vilka som helst två stokastiska variabler, definieras F(a,b) = F X,Y (a,b) = P(X a,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 merSF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 6 Väntevärden Korrelation och kovarians Stora talens lag. Jörgen Säve-Söderbergh
SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 6 Väntevärden Korrelation och kovarians Stora talens lag Jörgen Säve-Söderbergh Väntevärde för en funktion av en stokastisk variabel Om
Läs merLINKÖPINGS UNIVERSITET EXAM TAMS 79 / TEN 1
LINKÖPINGS UNIVERSITET Matematiska institutionen EXAM TAMS 79 / TEN 1 augusti 14, klockan 8.00-12.00 Examinator: Jörg-Uwe Löbus Tel: 28-1474) Tillåtna hjälpmedel är en räknare, formelsamling i matematisk
Läs merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE31 Sannolikhet, statistik och risk 218-5-31 kl. 8:3-13:3 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Ivar Simonsson, telefon: 31-7725325 Hjälpmedel: Valfri miniräknare.
Läs merTentamen i Matematisk Statistik, 7.5 hp
Tentamen i Matematisk Statistik, 7.5 hp Distanskurs 15 januari, 2011 kl. 9.00 13.00 Maxpoäng: 30p. Betygsgränser: 12p: betyg G, 21p: betyg VG. Hjälpmedel: Miniräknare samt formelsamling som medföljer tentamenstexten.
Läs merStat. teori gk, ht 2006, JW F7 STOKASTISKA VARIABLER (NCT 5.7) Ordlista till NCT
Stat. teori gk, ht 2006, JW F7 STOKASTISKA VARIABLER (NCT 5.7) Ordlista till NCT Jointly distributed Joint probability function Marginal probability function Conditional probability function Independence
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 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 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 merMatematisk statistik 9 hp, HT-16 Föreläsning 10: Punktskattningar
Matematisk statistik 9 hp, HT-16 Föreläsning 10: Punktskattningar Anna Lindgren (Stanislav Volkov) 31 oktober + 1 november 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F10: Punktskattning 1/18 Matematisk
Läs merStokastiska vektorer och multivariat normalfördelning
Stokastiska vektorer och multivariat normalfördelning Johan Thim johanthim@liuse 3 november 08 Repetition Definition Låt X och Y vara stokastiska variabler med EX µ X, V X σx, EY µ Y samt V Y σy Kovariansen
Läs merMatematisk statistik för B, K, N, BME och Kemister
Matematisk statistik för B, K, N, BME och Kemister Johan Lindström Repetition Johan Lindström - johanl@maths.lth.se FMS86/MASB2 1/44 Begrepp S.V. Fördelning Väntevärde Gauss CGS Grundläggande begrepp (Kap.
Läs merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE31 Sannolikhet, statistik och risk 218-1-12 kl. 8:3-13:3 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Olof Elias, telefon: 31-7725325 Hjälpmedel: Valfri miniräknare.
Läs merSannolikhet och statistik XI
April 219 Betingade väntevärden. Vi ska säga att E[Y X = x] är väntevärdet av den sv som samma förd som Y givet X = x. Definition: Y diskret: E[Y X = x] = y k V Y y k p Y X (y k x), Y kont: E[Y X = x]
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 merFöreläsning 7: Stokastiska vektorer
Föreläsning 7: Stokastiska vektorer Johan Thim johanthim@liuse oktober 8 Repetition Definition Låt X och Y vara stokastiska variabler med EX = µ X, V X = σx, EY = µ Y samt V Y = σy Kovariansen CX, Y definieras
Läs merMatematisk statistik KTH. Formelsamling i matematisk statistik
Matematisk statistik KTH Formelsamling i matematisk statistik Vårterminen 2017 1 Kombinatorik ) n n! = k k! n k)!. Tolkning: mängd med n element. ) n = antalet delmängder av storlek k ur en k 2 Stokastiska
Läs merKapitel 5 Multivariata sannolikhetsfördelningar
Sannolikhetslära och inferens II Kapitel 5 Multivariata sannolikhetsfördelningar 1 Multivariata sannolikhetsfördelningar En slumpvariabel som, när slumpförsöket utförs, antar exakt ett värde sägs vara
Läs merFACIT: Tentamen L9MA30, LGMA30
Göteborgs Universitetet GU Lärarprogrammet 216 FACIT: Matematik 3 för lärare, åk 7-9, Sannolikhetslära och statistik, Matematik 3 för gymnasielärare, Sannolikhetslära och statistik 216-1-21 kl. 8.3-12.3
Läs merFORMELSAMLING HT-18 MATEMATISK STATISTIK FÖR B, K, N, BME OCH KEMISTER; FMSF70 & MASB02. Sannolikhetsteori. Beskrivning av data
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK FORMELSAMLING HT-18 MATEMATISK STATISTIK FÖR B, K, N, BME OCH KEMISTER; FMSF70 & MASB02 Sannolikhetsteori Följande gäller för sannolikheter:
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 merTvå parametrar: µ (väntevärdet) och σ (standardavvikelsen) µ bestämmer normalfördelningens läge
Lunds tekniska högskola Matematikcentrum Matematisk statistik Matematisk statistik AK för ekosystemteknik, FMSF75 OH-bilder 28-9-3 Normalfördelningen, X N(µ, σ) f(x) = e (x µ)2 2σ 2, < x < 2π σ.4 N(2,).35.3.25.2.5..5
Läs merStokastiska signaler. Mediesignaler
Stokastiska signaler Mediesignaler Stokastiska variabler En slumpvariabel är en funktion eller en regel som tilldelar ett nummer till varje resultatet av ett experiment Symbol som representerar resultatet
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 merÖvning 1. Vad du ska kunna efter denna övning. Problem, nivå A
Övning 1 Vad du ska kunna efter denna övning Redogöra för begreppen diskret och kontinuerlig stokastisk variabel. Definiera fördelningsfunktionen för en stokastisk variabel. Definiera frekvensfunktionen
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 merSummor av slumpvariabler
1/18 Summor av slumpvariabler Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 9/2 2011 2/18 Dagens föreläsning Parkeringsplatsproblemet Räkneregler för väntevärden Räkneregler
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 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 mer(a) på hur många sätt kan man permutera ordet OSANNOLIK? (b) hur många unika 3-bokstavskombinationer kan man bilda av OSANNO-
Tentamenskrivning för TMS6, Matematisk Statistik. Onsdag fm den 1 maj, 217. Examinator: Marina Axelson-Fisk. Tel: 1-7724996 Tillåtna hjälpmedel: typgodkänd miniräknare, tabell- och formelhäfte (bifogas).
Läs merFormler och tabeller till kursen MSG830
Formler och tabeller till kursen MSG830 Deskriptiva mått För ett datamängd x 1,, x n denieras medelvärde standardavvikelse standardfelet (SEM) Sannolikheter x = 1 n n i=1 = x 1 + + x n n s = 1 n (x i x)
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 8, Matematisk statistik 7.5 hp för E Punktskattningar
Föreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar Stas Volkov Stanislav Volkov s.volkov@maths.lth.se FMSF20 F8: Statistikteori 1/20 Översikt Exempel Repetition Exempel Matematisk statistik
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 merLaboration 2: Sannolikhetsteori och simulering
Lunds tekniska högskola Matematikcentrum Matematisk statistik Laboration 2 Matematisk statistik AK för Π och E, FMS012, HT14/VT15 Laboration 2: Sannolikhetsteori och simulering Syftet med den här laborationen
Läs merSF1901: Övningshäfte
SF1901: Övningshäfte 24 september 2013 Uppgifterna under rubriken Övning kommer att gås igenom under övningstillfällena. Uppgifterna under rubriken Hemtal är starkt rekommenderade och motsvarar nivån på
Läs merFöreläsningsmanus i matematisk statistik för lantmätare, vecka 5 HT06
Föreläsningsmanus i matematisk statistik för lantmätare, vecka 5 HT06 Bengt Ringnér September 20, 2006 Inledning Detta är preliminärt undervisningsmaterial. Synpunkter är välkomna. 2 Väntevärde standardavvikelse
Läs merTENTAMEN I STATISTIKENS GRUNDER 1
STOCKHOLMS UNIVERSITET Statistiska institutionen Michael Carlson HT2012 TENTAMEN I STATISTIKENS GRUNDER 1 2012-10-03 Skrivtid: kl 9.00-14.00 Godkända hjälpmedel: Miniräknare, språklexikon Bifogade hjälpmedel:
Läs merDemonstration av laboration 2, SF1901
KTH 29 November 2017 Laboration 2 Målet med dagens föreläsning är att repetera några viktiga begrepp från kursen och illustrera dem med hjälp av MATLAB. Laboration 2 har följande delar Fördelningsfunktion
Läs merProblemdel 1: Uppgift 1
STOCKHOLMS UNIVERSITET MT 00 MATEMATISKA INSTITUTIONEN LÖSNINGAR Avd. Matematisk statistik, CH 8 februari 0 LÖSNINGAR 8 februari 0 Problemdel : Uppgift Rätt svar är: a) X och X är oberoende och Y och Y
Läs merTENTAMEN MÅNDAGEN DEN 22 OKTOBER 2012 KL a) Bestäm P(ingen av händelserna inträffar). b) Bestäm P(exakt två av händelserna inträffar).
Tekniska högskolan i Linköping Matematiska institutionen Matematisk statistik,jan Olheim MATEMATIK:Statistik 9MA31 STN, 9MA37 STN TENTAMEN MÅNDAGEN DEN OKTOBER 01 KL 14.00-18.00. Hjälpmedel:Formler och
Läs merFormel- och tabellsamling i matematisk statistik
Formel- och tabellsamling i matematisk statistik 1. Sannolikhetsteori för lärarprogrammet Sannolikhetsformler P (A ) = 1 P (A) P (A B) = P (A) + P (B) P (A B) P (A B) = P (A B) P (B) P (A B) = P (A B)P
Läs merTMS136: Dataanalys och statistik Tentamen
TMS136: Dataanalys och statistik Tentamen 013-08-7 Examinator och jour: Mattias Sunden, tel. 0730 79 9 79 Hjälpmedel: Chalmersgodkänd räknare och formelsamling (formelsamling delas ut med tentan). Betygsgränser:
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 merLINKÖPINGS UNIVERSITET EXAM TAMS 15 / TEN 1
LINKÖPINGS UNIVERSITET Matematiska institutionen EXAM TAMS 5 / TEN januari 08, klockan 4.00-8.00 Examinator: Jörg-Uwe Löbus (Tel: 0709-6087) Tillåtna hjälpmedel är en räknare, formelsamling i matematisk
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 mer