Fysikexperiment, 7.5 hp 1
|
|
- Ann Göransson
- för 8 år sedan
- Visningar:
Transkript
1 Presentation av data Medelvärde av grupperade data Slumptal Gränsvärdesfunktioner Normalfördelningsfunktionen Parameterbestämning Minsta kvadratmetoden Fysikexperiment, 7.5 hp 1 1
2 Presentation av data Den mest primitiva formen av en mängd mätdata är en oordnad lista: som blir något mer överskådlig om vi ordnar mätvärdena i storleksordning: Härifrån är steget inte långt till en frekvenstabell: x k f k Vi kan också ange den relativa frekvensen r k = f k / n, där n är summan Σf k i stället för den absoluta frekvensen n k : x K r k 0,08 0,0 0,1 0,16 0,04 0,1 0,00 0,16 0, Fysikexperiment, 7.5 hp Utfallsrummet i detta exempel är heltalen 1-9. Utfallet kan presenteras som en frekvenstabell med absoluta eller relativa förekomster av talen 1-9.
3 Presentation av data Stapeldiagram över mätdata 0,5 0, Frekvens i % 0,15 0,1 0, Mätetal Fysikexperiment, 7.5 hp 3 Frekvenstabellen kan åskådliggöras som ett stapeldiagram. 3
4 Grupperade data (a) (b) (c) (d) Intervallmitt Frekvens x i f i f i x i f i x i 1,30 1 1,30 1, ,35 1, ,75 8,40 9,11 11, ,45 1, ,85 1,00 7,33 18, Serie1 1, ,35 40, ,60 14,40 35,84 1, ,55 19,06 0 1,30 1,35 1,40 1,45 1,50 1,55 1,60 1,65 1,70 1,75 1,70 1 1,70,89 1,75 Total 3 n = 75 5,5 S(x) = 114,55 9,19 S(x ) = 175,715 medelvärde = 1,53 standardavvikelse = 0,10 Tabell 1. Tabellen visar uppställningen för beräkning av medelvärde och standardavvikelse för grupperade data Fysikexperiment, 7.5 hp 4 Föregående exempel visade på diskreta data, dvs heltalsdata. För en kontinuerlig variabel måste man först gruppera data för att sedan räkna antalet händelser i varje grupp. Figuren ovan visar ett exempel på grupperade data (75 datapunkter i ett kontinuerligt intervall mellan 1,5 och 1,80) och exempel på en enkel tabell för beräkning. I den understa raden i tabellen har värdena i kolumnerna summerats. Kontrollera att du kan beräkna medelvärdet och standardavvikelsen och jämför med svaret i figuren till höger (se nästa bild för formler). 4
5 Fysikexperiment, 7.5 hp 5 Beräkning av medelvärde och standardavvikelse för grupperade data. Härledning på tavlan. 5
6 Representation av data Fysikexperiment, 7.5 hp 6 Vidden på staplarna är viktig för det grafiska intrycket. I det vänstra exemplet har mycket information gått förlorad. 6
7 Fysikexperiment, 7.5 hp 7 En optimal klassindelning av data. Vi kan ana den bakomliggande teoretiska fördelningen (röd heldragen linje). Notera att en figur (liksom en tabell) skall ha nummer och en beskrivande text. 7
8 Vad är slump(tal)? Äkta slumptal utgår från fysikaliska processer! - singla slant - kasta tärning (jmf Lotto-spelen) - antal radioaktiva sönderfall under en viss tid Pseudo-slumptal genereras genom någon (matematisk) metod! - 7:e decimalen ur kvadratroten ur datorns klocktid t.ex. (för att ta en enkel men dålig metod). En standardslumptalsgenerator genererar slumptal mellan 0 och 1 med en flat gränsvärdesfördelning Fysikexperiment, 7.5 hp 8 Det är inte helt trivialt att skapa sant slumpmässiga tal! De fysikaliska metoderna (processerna) är ofta för långsamma när det gäller att producera tusentals slumptal i sekunden. Ett problem med pseudo-slumptal är att de kan upprepar sig efter en viss period (säg efter 10^10 försök). 8
9 Slumptal mellan 0 och 1 Funktionen rand() i MatLab eller ComsolScript 10 slumptal (bin=1/1000) 100 slumptal (bin=1/1000) slumptal (bin=1/1000) slumptal (bin=1/10000) Fysikexperiment, 7.5 hp 9 I MatLab (ComsolScript) kallas funktionen rand(n) för att generera ett slumptal mellan 0 och 1 (argumentet n anger hur många slumptal som genereras testa!). Det tar 1 s att generera 10 miljoner slumptal på min dator är din snabbare? OBS det är histogrammeringen som tar tid: a=rand(1, ); hist(a,10000) tar 7 sekunder. Vill du pröva så börja med mindre tal! Vi noterar att i detta fall erhålles en gränsfunktion y = konstant, dvs ett utfall i varje delintervall i intervallet 0 till 1 är lika sannolikt. 9
10 Random Walk 36 försök med Random walk med 1000 steg. Den röda cirkeln markerar den genomsnittlig räckvidden efter 1000 steg (som är Fysikexperiment, 7.5 hp 10 Låt oss leka lite med slumpen! Vi startar i origo och för varje förflyttning (steg med längden 1) vi gör är sannolikheten att gå vänster eller höger, upp eller ner lika stor. Var hamnar vi efter 1000 steg? Man kan visa att i medeltal hamnar man på eller i närheten av den röda cirkeln i figuren. De gröna linjerna markera avstånd och riktning för det sista steget i de 36 försöken. 10
11 Random Walk (forts.) 000 försök med Random walk med 1000 steg. Beräknad genomsnittlig räckvidd är Visualisering av utfallsrummet (räckvidden). Den röda cirkeln markerar medelavståndet från origo för alla Fysikexperiment, 7.5 hp 11 Fördelningen av räckvidden efter 000 försök om 1000 steg fördelar sig slumpvis på ett visst avstånd från origo men i medeltal hamnar vi på den röda linjen. 11
12 Summera slumptal mellan 0 och 1 y = I varje histogram finns samplade värden på summorna (y) i= 0 x i 5 y = x i y = / 5 i= i= 0 x i Vi noterar att fördelningarna samlas kring det sanna medelvärdet som i dessa fall är 1 (vänster),,5 (mitten) och 10 (höger) Fysikexperiment, 7.5 hp 1 Utfallsrummet är i vart och ett av försöken talområdet 0-, 0-5 och 0-0. I det sista exemplet ser vi att större delen av utfallsrummet är tomt och trots att försök gjordes, blev den maximala summan inte större än 15. Notera att varje fördelning tycks ha sin egen gränsfunktion (triangulär i det första fallet). 1
13 Gränsvärdesfunktion Teoretisk gränsfunktion (i ) 100 x i i= 0 5 Blå kurva / 50 Grön kurva x i /, 5 i= 0 x i i= 0 Röd kurva Fysikexperiment, 7.5 hp 13 Histogrammen på föregående bild kan normaliseras så att de har samma area (och flyttas så att de är centrerade runt medelvärdet 1). Vi ser att gränsfunktionerna i sin tur, asymptotiskt går mot en ny gränsfunktion! Denna nya gränsfunktion kallas normalfördelningsfunktionen och kan beskrivas exakt i matematiska termer (svart kurva). Observera att i detta speciella fall har vi använt samma slumptalsfördelning (slumptal mellan 0 och 1) för att närma oss gränsvärdesfunktionen. 13
14 Centrala gränsvärdessatsen Central Limit Theorem på engelska eller Normal Convergence Theorem Om vi summerar ett stort antal slumpmässigt fördelade tal, så kommer den asymptotiska fördelningen för summan att under vissa allmänna villkor, gå mot en normalfördelning. Detta gäller oberoende av hur fördelningen ser ut för de termer som ingår i summan!! Fysikexperiment, 7.5 hp 14 Gränsvärdessatsen är en av den teoretiska statistikens viktigaste (mest centrala) sats. Punkt två är anmärkningsvärd det spelar ingen roll hur de underliggande fördelningarna ser ut bara de är många. Man har kunnat visa rent empiriskt att många naturliga fenomen som t.ex. längden hos en människa approximativt följer en normalfördelning. En föreslagen förklaring är att denna observabel (och andra liknande) är följden av en lång rad oberoende, slumpmässiga effekter och följaktligen är normalfördelade enligt gränsvärdessatsen. 14
15 Normalfördelningsfunktionen f(x; µ, σ ) 1 ( x µ ) exp σ = πσ Normerad till 1, dvs integralen av f för < x < + är 1. Maximum vid x = µ. Symmetrisk runt x = µ. När σ är litet så blir exponenten stor Ø lutningen blir större. När σ är litet så blir normaliseringskonstanten större Ø höjden vid toppen blir relativt sett högre. Men hur ser den ut då? Fysikexperiment, 7.5 hp 15 Denna funktion är den viktigaste teoretiska sannolikhetsfördelningen i statistiken och är välkänd inom matematiken. Kallas även Gaussfunktionen. Mätvärdenas normalfördelning utgör en framgångsrik modell inom statistiken. 15
16 Grafisk form av f(x; µ,σ ) = 1 (x µ) exp πσ σ.5 sigma = 0.1 Genom att sätta parametern m = 0 (medelvärdet noll) skrivs funktionen: 1.5 f(x;0, σ ) 1 x exp σ = πσ 1 Sätter vi dessutom bredden s = 1 får vi: 0.5 sigma = 0.5 sigma = 1.0 N(0,1) f(x;0,1) = 1 x exp π Fysikexperiment, 7.5 hp 16 Den standardiserade formen av normalfördelningen är N(0,1). Alla andra former erhålles genom en enkel variabeltransformation x Ø x = (x - m)/s. Observera att funktionen är normaliserad, dvs arean under funktionen är 1. 16
17 Tolkningen av: f(x; µ,σ ) = 1 (x µ) exp πσ σ Tolkning av normalfördelningsfunktionen som en sannolikhetsfördelning. Utfallet av en mätning ges med en viss sannolikhet. (99,73 %) (95,45 %) (68,7 %) Fysikexperiment, 7.5 hp 17 Antag att vi har en variabel (observabel) som har en asymptotiska fördelning som beskrivs av normalfördelningsfunktionen med medelvärdet m och bredden s. Sannolikheten för att en mätning skall ge ett resultat i intervallet [x, x+dx] är då lika med arean under kurvan mellan dessa värden. Studera även tabellerna i appendix A och B i kursboken. 17
18 Parametrarna för den asymptotiska fördelningen Mätningar ger oss en verklig fördelning som av många olika skäl bara innehåller ett mycket begränsat antal mätningar! Experimentet karakteriseras av en teoretisk gränsvärdesfunktion med okända värde på parametrarna Minsta kvadratmetoden låter oss bestämma vilka värden på de teoretiska parametrarna som ger bästa överensstämmelsen Fysikexperiment, 7.5 hp När det gäller fysikaliska mätningar av olika slag gör vi oftast det antagandet att eventuella fel i mätningarna är helt slumpvisa och som beror på en mycket stor mängd olika fysikaliska effekter som är slumpvisa men som var och en inte nödvändigtvis behöver vara normalfördelade. Summan av alla dessa fel bör dock enligt centrala gränsvärdessatsen vara normalfördelad. Hur skall vi göra för att bestämma parametrarna för den asymptotiska normalfördelningen? Den metod vi skall använda är Minsta kvadratmetoden. 18
19 En riggad tärning Nedan visas utfallet för kast med en normal tärning. Gränsfunktionen förväntas vara en konstant P(x) = 1/6 för 1 x 6. Denna tärning misstänker vi vara felaktig! En experimentell fördelning för utfall med denna tärning. Den sanna (teoretiska) fördelning för utfall med denna tärning Fysikexperiment, 7.5 hp 19 Vi skall använda minsta kvadratmetoden i följande exempel. I situationen till vänster har vi en 100% perfekt tärning. Om vi kastar denna många gånger så förväntar vi oss att alla sex sidorna kommer upp lika många gånger i medeltal, dvs sannolikheten är 1/6 för varje enskild sida. Med datorhjälp kan vi testa detta och se på hur en verklig fördelning kan se ut då antalet kast ökar. I figuren till höger kan vi misstänka att tärningen inte är perfekt. 6:an synes vara något mer frekvent än 1:an (observera att 1:an och 6:an ligger på motstående sidor i en vanlig tärning. Frågeställning här är: Hur skall vi finna (det bästa) värdet på sannolikheten för att 6:an skall komma upp enbart med utgångspunkt från mätdata? 19
20 Bestämning av sannolikheten p(x) x = 1,, 3, 4, 5, 6 z y x a b c d e f Antag att vi har antalet utfall som i figuren: p(1) = a, p() = b, p(3) = c, p(4) = d, p(5) = e, p(6) = f. Antag vidare att den sanna fördelningen bör vara: p(1) = x, p() = p(3) = p(4) = p(5) = y, p(6) = z. Vilka värden på parametrarna för den asymptotiska (sanna) fördelningen ger bäst överensstämmelse med observationerna? Ett sätt att välja de bästa värdena för parametrarna är att minimera skillnaden mellan observationer och förväntade värden: Vi bör inte gärna välja att summera skillnaderna (observation förväntad). Bidrag med olika tecken kan då summeras till noll även om bidragen i sig är stora. Summan av observation förväntad löser det problemet, men små avvikelser blir lika viktiga som en stor och stora avvikelser bör undvikas. Summan av (observation förväntad) löser även det problemet. Denna metod - minsta kvadratmetoden har i allmänhet andra teoretiska fördelar, och är den som oftast används Fysikexperiment, 7.5 hp 0 Vi antager att tärningen endast har en obalans mellan 1 och 6 (1 och 6 ligger mitt emot varandra på en tärning), de andra sidorna antages ha samma sannolikhet (y) att komma upp. Vi har alltså tre obekanta x, y och z. Vi kan utnyttja att summan x + 4ÿy + z = 1 (dvs 1/6 + 4*1/6 + 1/6 = 1), vilket reducerar antalet obekanta till två! 0
21 Minsta kvadratmetoden Obs medelvärdet av b,c,d och e a mätt endast en gång! Fysikexperiment, 7.5 hp 1 Vi gör det antagandet att en bra metod att söka parametrarna x, y och z är att minimera summan av avvikelsernas kvadrater enligt uttrycket ovan. Metodens resultat är i överensstämmelse med vad vi förväntar oss: Värdet på y bör vara medelvärdet av de faktiska mätningarna. Vi har bara ett värde x av a. Dvs a = x bör alltså vara en god gissning! Observera att lösningen inte är entydig - vi skulle lika gärna kunna sätta z = f. Bägge lösningarna är lika goda i detta fall. 1
22 Exempel på utfall! Utfall från en riggad tärning # Alternativt Nominellt Utfall Beräknat Procentuell fördelning 0,5 0, 0,15 0,1 0, ,143 0,164 0,164 0,164 0,164 0,146 0,163 0,156 0,166 0,176 0,146 0,165 0,165 0,165 0,165 0,148 0,165 0,165 0,165 0,165 Utfall 6 0,00 0,19 0,194 0, Fysikexperiment, 7.5 hp Vi noterar att den första lösningen är z = 0,194 = 1 0,146 4*0,165 och den andra lösningen är x = 0,148 = 1 0,19 4*0,165 i andra fallet.
23 Nomenklaturen (repetition) Medelvärdet (stickprovsmedelvärdet) kan skrivas n x1 + x + K+ xn 1 µ = x = x = = xi n n i= 1 I ComsolScript (MatLab) beräknas medelvärdet med hjälp av funktionen mean: <x> = mean(x) Standardavvikelsen (stickprovsvariansen) kan skrivas (V = variansen) n 1 V ( x) = s = σ x = n Fysikexperiment, 7.5 hp 3 i= 1 ( x i x) I ComsolScript (MatLab) beräknas kvadratroten ur variansen med hjälp av funktionen std: s = std(x) Notera de olika beteckningarna för medelvärde och varians (= kvadraten på standardavvikelsen). Bekanta dig med funktionerna mean och std i ComsolScript och MatLab. 3
24 Uppgifter 4. Räkna för hand och jämför sedan med att räkna i ComsolScript 4.3 Räkna för hand och jämför sedan med att räkna i ComsolScript 4.5 Räkna på tavlan (övning i summaräkning) 4.9 Räkna på tavlan (sannolikhet för utfall) Fysikexperiment, 7.5 hp 4 Testa funktionen mean och std i ComsolScript på uppgift 4. (du behöver inte skriva något program utan kan använda ComsolScript som en miniräknare), dvs du skriver helt enkelt på kommandoraden: mean([ ]) och std([ ]) Ett smartare alternativ är att först definiera en vektor: x=[ ]; och sedan skriva mean(x) och std(x) 4
25 Experimentet Ta det lugnt! Förbered er! Släng ingenting inga lösa lappar! Dokumentera uppställningen och yttre variabler! Dokumentera under arbetets gång! Beräkna delresultat! Fysikexperiment, 7.5 hp 5 Fem minuter insparad tid på labbet kan innebära 30 minuter extra möda vid rapportskrivningen när man försöker reda ut vad man egentligen gjorde. 5
26 Planeringen Planering och förberedelser Vad är det vi vill göra? Vad har andra gjort? Förstå den underliggande teorin! Genomförandet Tänk igenom mätningarna! Kalibrering av instrument! Systematiska effekter? Analys och rapport Förbered analysen, t.ex. härled formler! Förbered rapporten, skriv ner alla data! Fysikexperiment, 7.5 hp 6 I en labbsituation gäller det att i görligaste mån komma förberedd till en laborationen kanske labbkompisen har lagt ner stor möda på förberedelsearbetet och vill kunna jobba undan. 6
27 Rapporten (innehåll) Fysikexperiment, 7.5 hp 7 Dessa rubriker gäller för mer ambitiösa rapporter endast en liten del av dessa och följande rubriker behöver användas i en labbrapport. 7
28 Fysikexperiment, 7.5 hp 8 Denna tabell innehåller både mätdata och beräknade data och r4efereras därför två gånger i texten. 8
29 Exempel figur Fysikexperiment, 7.5 hp 9 Notera att figuren har ett nummer och refereras till i texten. Figurtexten skall vara informativ. Enbart Försöksuppställning är ej tillfredsställande. 9
30 Exempel tabell Fysikexperiment, 7.5 hp 30 Denna tabell innehåller både mätdata och beräknade data och r4efereras därför två gånger i texten. 30
31 Exempel Tabell Nedan följer två exempel på en tabell. Först ett nybörjarexempel med en del misstag Fysikexperiment, 7.5 hp 31 Skriv upp alla nybörjarfel du kan finna i denna tabell. 31
32 Exempel 3 Tabell Nedan följer två exempel på en tabell. Först ett nybörjarexempel med en del misstag. En proffsigare tabell: Fysikexperiment, 7.5 hp 3 Ett par fel kvarstår i den undre tabellen (kan du se vilka?). Notera att i tabell återfinner vi de konstanta storheterna R och B i tabelltexten. I det undre exemplet bör man skriva R = m i tabelltexten om man menar att noggrannheten är +- 1mm. Värdena på storheten F har avrundats med ett implicit fel på en halv enhet i sista decimalen. 3
Finns det över huvud taget anledning att förvänta sig något speciellt? Finns det en generell fördelning som beskriver en mätning?
När vi nu lärt oss olika sätt att karaktärisera en fördelning av mätvärden, kan vi börja fundera över vad vi förväntar oss t ex för fördelningen av mätdata när vi mätte längden av en parkeringsficka. Finns
Läs merForskningsmetodik 2006 lektion 2
Forskningsmetodik 6 lektion Per Olof Hulth hulth@physto.se Slumpmässiga och systematiska mätfel Man skiljer på två typer av fel (osäkerheter) vid mätningar:.slumpmässiga fel Positiva fel lika vanliga som
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 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 mer1 Mätdata och statistik
Matematikcentrum Matematik NF Mätdata och statistik Betrakta frågeställningen Hur mycket väger en nyfödd bebis?. Frågan verkar naturlig, men samtidigt mycket svår att besvara. För att ge ett fullständigt
Läs merKort om mätosäkerhet
Kort om mätosäkerhet Henrik Åkerstedt 14 oktober 2014 Introduktion När man gör en mätning, oavsett hur noggrann man är, så får man inte exakt rätt värde. Alla mätningar har en viss osäkerhet. Detta kan
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 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 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 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 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 merLaboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 4 MATEMATISK STATISTIK, FÖR I/PI, FMS 121/2, HT-3 Laboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
Läs mer13.1 Matematisk statistik
13.1 Matematisk statistik 13.1.1 Grundläggande begrepp I den här föreläsningen kommer vi att definiera och exemplifiera ett antal begrepp som sedan kommer att följa oss genom hela kursen. Det är därför
Läs merFöreläsning 12: Regression
Föreläsning 12: Regression Matematisk statistik David Bolin Chalmers University of Technology Maj 15, 2014 Binomialfördelningen Låt X Bin(n, p). Vi observerar x och vill ha information om p. p = x/n är
Läs merDATORÖVNING 2 MATEMATISK STATISTIK FÖR D, I, PI OCH FYSIKER; FMSF45 & MASB03. bli bekant med summor av stokastiska variabler.
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORÖVNING 2 MATEMATISK STATISTIK FÖR D, I, PI OCH FYSIKER; FMSF45 & MASB03 Syfte: Syftet med dagens laborationen är att du skall: få förståelse
Läs mer2 Dataanalys och beskrivande statistik
2 Dataanalys och beskrivande statistik Vad är data, och vad är statistik? Data är en samling fakta ur vilken man kan erhålla information. Statistik är vetenskapen (vissa skulle kalla det konst) om att
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 merLaboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 4 MATEMATISK STATISTIK, AK FÖR I, FMS 120, HT-00 Laboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
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 merMatematikcentrum 1(6) Matematisk Statistik Lunds Universitet MASB11 - Biostatistisk grundkurs VT2014, lp3. Laboration 2. Fördelningar och simulering
Matematikcentrum 1(6) Matematisk Statistik Lunds Universitet MASB11 - Biostatistisk grundkurs VT2014, lp3 Laboration 2 Fördelningar och simulering Introduktion 2014-02-06 Syftet med laborationen är dels
Läs merFöreläsning G60 Statistiska metoder
Föreläsning 4 Statistiska metoder 1 Dagens föreläsning o Sannolikhet Vad är sannolikhet? o Slumpvariabel o Sannolikhetsfördelningar Binomialfördelning Normalfördelning o Stickprov och population o Centrala
Läs merLABORATION 1. Syfte: Syftet med laborationen är att
LABORATION 1 Syfte: Syftet med laborationen är att ge övning i hur man kan använda det statistiska programpaketet Minitab för beskrivande statistik, grafisk framställning och sannolikhetsberäkningar, visa
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 merMatematikcentrum 1(7) Matematisk Statistik Lunds Universitet MASB11 - Biostatistisk grundkurs HT2007. Laboration. Simulering
Matematikcentrum 1(7) Matematisk Statistik Lunds Universitet MASB11 - Biostatistisk grundkurs HT007 Laboration Simulering Grupp A: 007-11-1, 8.15-.00 Grupp B: 007-11-1, 13.15-15.00 Introduktion Syftet
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 merIdag. EDAA35, föreläsning 4. Analys. Kursmeddelanden. Vanliga steg i analysfasen av ett experiment. Exempel: exekveringstid
EDAA35, föreläsning 4 KVANTITATIV ANALYS Idag Kvantitativ analys Slump och slumptal Analys Boxplot Konfidensintervall Experiment och test Kamratgranskning Kursmeddelanden Analys Om laborationer: alla labbar
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 merSF1905 Sannolikhetsteori och statistik: Lab 2 ht 2011
Avd. Matematisk statistik Tobias Rydén 2011-09-30 SF1905 Sannolikhetsteori och statistik: Lab 2 ht 2011 Förberedelser. Innan du går till laborationen, läs igenom den här handledningen. Repetera också i
Läs merStatistik 1 för biologer, logopeder och psykologer
Innehåll 1 2 Diskreta observationer Kontinuerliga observationer 3 Centralmått Spridningsmått Innehåll 1 2 Diskreta observationer Kontinuerliga observationer 3 Centralmått Spridningsmått Vad är statistik?
Läs merMatematikcentrum 1(7) Matematisk Statistik Lunds Universitet Per-Erik Isberg. Laboration 1. Simulering
Matematikcentrum (7) Matematisk Statistik Lunds Universitet Per-Erik Isberg Laboration Simulering HT 006 Introduktion Syftet med laborationen är dels att vi skall bekanta oss med lite av de olika funktioner
Läs merLaboration 3: Stora talens lag, centrala gränsvärdessatsen och enkla punktskattningar
Lunds tekniska högskola Matematikcentrum Matematisk statistik Laboration 3 Matematisk statistik AK för CDIFysiker, FMS012/MASB03, HT15 Laboration 3: Stora talens lag, centrala gränsvärdessatsen och enkla
Läs merExperimentella metoder, FK3001. Datorövning: Finn ett samband
Experimentella metoder, FK3001 Datorövning: Finn ett samband 1 Inledning Den här övningen går ut på att belysa hur man kan utnyttja dimensionsanalys tillsammans med mätningar för att bestämma fysikaliska
Läs merDatorövning 2 Betingad fördelning och Centrala gränsvärdessatsen
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMS012/MASB03: MATEMATISK STATISTIK, 9 HP, HT-16 Datorövning 2 Betingad fördelning och Centrala gränsvärdessatsen Syftet med den här laborationen
Läs merStokastiska processer med diskret tid
Stokastiska processer med diskret tid Vi tänker oss en följd av stokastiska variabler X 1, X 2, X 3,.... Talen 1, 2, 3,... räknar upp tidpunkter som förflutit från startpunkten 1. De stokastiska variablerna
Läs merFöreläsning 1. NDAB02 Statistik; teori och tillämpning i biologi
Föreläsning 1 Statistik; teori och tillämpning i biologi 1 Kursens uppbyggnad 9 föreläsningar Föreläsningsunderlag läggs ut på kurshemsidan 5 lektioner Uppgifter från kursboken enligt planering 5 laborationer
Läs merTMS136. Föreläsning 7
TMS136 Föreläsning 7 Stickprov När vi pysslar med statistik handlar det ofta om att baserat på stickprovsinformation göra utlåtanden om den population stickprovet är draget ifrån Situationen skulle kunna
Läs merIdag. EDAA35, föreläsning 4. Analys. Exempel: exekveringstid. Vanliga steg i analysfasen av ett experiment
EDAA35, föreläsning 4 KVANTITATIV ANALYS Idag Kvantitativ analys Kamratgranskning Analys Exempel: exekveringstid Hur analysera data? Hur vet man om man kan lita på skillnader och mönster som man observerar?
Läs merFör logitmodellen ges G (=F) av den logistiska funktionen: (= exp(z)/(1+ exp(z))
Logitmodellen För logitmodellen ges G (=F) av den logistiska funktionen: F(z) = e z /(1 + e z ) (= exp(z)/(1+ exp(z)) Funktionen motsvarar den kumulativa fördelningsfunktionen för en standardiserad logistiskt
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 merLaboration 2: 1 Syfte. 2 Väntevärde och varians hos en s.v. X med fördelningen F X (x) MATEMATISK STATISTIK, AK FÖR BYGG, FMS 601, HT-08
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK MATEMATISK STATISTIK, AK FÖR BYGG, FMS 601, HT-08 Laboration 2: Om väntevärden och fördelningar 1 Syfte I denna laboration skall vi försöka
Läs merExempel: Väljarbarometern. Föreläsning 1: Introduktion. Om Väljarbarometern. Statistikens uppgift
Exempel: Väljarbarometern Föreläsning 1: Introduktion Matematisk statistik Det som typiskt karakteriserar ett statistiskt problem är att vi har en stor grupp (population) som vi vill analysera. Vi kan
Läs merBIOSTATISTISK GRUNDKURS, MASB11 ÖVNING 6 (2015-04-22) OCH INFÖR ÖVNING 7 (2015-04-29)
LUNDS UNIVERSITET, MATEMATIKCENTRUM, MATEMATISK STATISTIK BIOSTATISTISK GRUNDKURS, MASB11 ÖVNING 6 (2015-04-22) OCH INFÖR ÖVNING 7 (2015-04-29) Aktuella avsnitt i boken: Kap 61 65 Lektionens mål: Du ska
Läs merF3 Introduktion Stickprov
Utrotningshotad tandnoting i arktiska vatten Inferens om väntevärde baserat på medelvärde och standardavvikelse Matematik och statistik för biologer, 10 hp Tandnoting är en torskliknande fisk som lever
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 merFöreläsning 1: Introduktion
Föreläsning 1: Introduktion Matematisk statistik David Bolin Chalmers University of Technology March 22, 2014 Lärare och kurslitteratur David Bolin: Rum: E-mail: Fredrik Boulund: Rum: E-mail: Kursansvarig,
Läs merTvå innebörder av begreppet statistik. Grundläggande tankegångar i statistik. Vad är ett stickprov? Stickprov och urval
Två innebörder av begreppet statistik Grundläggande tankegångar i statistik Matematik och statistik för biologer, 10 hp Informationshantering. Insamling, ordningsskapande, presentation och grundläggande
Läs merSamplingfördelningar 1
Samplingfördelningar 1 Parametrar och statistikor En parameter är en konstant som karakteriserar en population eller en modell. Exempel: Populationsmedelvärdet Parametern p i binomialfördelningen 2 Vi
Läs merF2 Introduktion. Sannolikheter Standardavvikelse Normalapproximation Sammanfattning Minitab. F2 Introduktion
Gnuer i skyddade/oskyddade områden, binära utfall och binomialfördelningar Matematik och statistik för biologer, 10 hp Fredrik Jonsson Januari 2012 I vissa områden i Afrika har man observerat att förekomsten
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 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 merLektionsanteckningar 2: Matematikrepetition, tabeller och diagram
Lektionsanteckningar 2: Matematikrepetition, tabeller och diagram 2.1 Grundläggande matematik 2.1.1 Potensfunktioner xmxn xm n x x x x 3 4 34 7 x x m n x mn x x 4 3 x4 3 x1 x x n 1 x n x 3 1 x 3 x0 1 1
Läs merF8 Skattningar. Måns Thulin. Uppsala universitet Statistik för ingenjörer 14/ /17
1/17 F8 Skattningar Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 14/2 2013 Inledande exempel: kullager Antag att diametern på kullager av en viss typ är normalfördelad N(µ,
Läs merLaboration med Minitab
MATEMATIK OCH STATISTIK NV1 2005 02 07 UPPSALA UNIVERSITET Matematiska institutionen Silvelyn Zwanzig, Tel. 471 31 84 Laboration med Minitab I denna laboration skall du få stifta bekantskap med ett statistiskt
Läs merFinansiell statistik, vt-05. Kontinuerliga s.v. variabler. Kontinuerliga s.v. F7 Kontinuerliga variabler
5 45 4 5 5 5 5 Öppningskurs 5 9 7 5 9 7 4 45 49 5 57 6 65 abb Johan Koskinen, Statistiska institutionen, Stockholms universitet Finansiell statistik, vt-5 F7 Kontinuerliga variabler Kontinuerliga s.v.
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 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 merAnalys av medelvärden. Jenny Selander , plan 3, Norrbacka, ingång via den Samhällsmedicinska kliniken
Analys av medelvärden Jenny Selander jenny.selander@ki.se 524 800 29, plan 3, Norrbacka, ingång via den Samhällsmedicinska kliniken Jenny Selander, Kvant. metoder, FHV T1 december 20111 Innehåll Normalfördelningen
Läs merInledning till OpenOffice Calculator Datorlära 2 FK2005
Inledning till OpenOffice Calculator Datorlära 2 FK2005 Mål Lära sig att skapa och använda ett räkneblad med OpenOffice Calculator Beräkna medelvärde och standardavvikelsen med räknebladet Producera en
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 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 merDATORÖVNING 2: STATISTISK INFERENS.
DATORÖVNING 2: STATISTISK INFERENS. START Logga in och starta Minitab. Se till att du kan skriva Minitab-kommandon direkt i Session-fönstret (se föregående datorövning). CENTRALA GRÄNSVÄRDESSATSEN Enligt
Läs merTAMS65 - Föreläsning 1 Introduktion till Statistisk Teori och Repetition av Sannolikhetslära
TAMS65 - Föreläsning 1 Introduktion till Statistisk Teori och Repetition av Sannolikhetslära Martin Singull Matematisk statistik Matematiska institutionen TAMS65 - Mål Kursens övergripande mål är att ge
Läs merNedan redovisas resultatet med hjälp av ett antal olika diagram (pkt 1-6):
EM-fotboll 2012 några grafer Sport är en verksamhet som genererar mängder av numerisk information som följs med stort intresse EM i fotboll är inget undantag och detta dokument visar några grafer med kommentarer
Läs merLUNDS UNIVERSITET 1(6) STATISTISKA INSTITUTIONEN Per-Erik Isberg
LUNDS UNIVERSITET 1(6) STATISTISKA INSTITUTIONEN Per-Erik Isberg Simulering i MINITAB Det finns goda möjligheter att utföra olika typer av simuleringar i Minitab. Gemensamt för dessa är att man börjar
Läs merIngenjörsmetodik IT & ME 2011 Föreläsning 11
Ingenjörsmetodik IT & ME 011 Föreläsning 11 Sammansatt fel (Gauss regel) Felanalys och noggrannhetsanalys Mätvärden och mätfel Medelvärde, standardavvikelse och standardosäkerher (statistik) 1 Läsanvisningar
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 merMonte Carlo-metoder. Bild från Monte Carlo
Monte Carlo-metoder 0 Målen för föreläsningen På datorn Bild från Monte Carlo http://en.wikipedia.org/wiki/file:real_monte_carlo_casino.jpg 1 Begrepp En stokastisk metod ger olika resultat vid upprepning
Läs merSF1901: Sannolikhetslära och statistik. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski
SF1901: Sannolikhetslära och statistik Föreläsning 10. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski 18.02.2016 Jan Grandell & Timo Koski Matematisk statistik 18.02.2016
Läs merArbeta med normalfördelningar
Arbeta med normalfördelningar I en större undersökning om hur kvinnors längd gjorde man undersökning hos kvinnor i ett viss åldersintervall. Man drog sedan ett slumpmässigt urval på 2000 kvinnor och resultatet
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 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 merVi har en ursprungspopulation/-fördelning med medelvärde µ.
P-värde P=probability Sannolikhetsvärde som är resultat av en statistisk test. Anger sannolikheten för att göra den observation vi har gjort eller ett sämre / mer extremt utfall om H 0 är sann. Vi har
Läs merBeskrivande statistik. Tony Pansell, Leg optiker Docent, Universitetslektor
Beskrivande statistik Tony Pansell, Leg optiker Docent, Universitetslektor Beskrivande statistik Grunden för all analys är ordning och reda! Beskrivande statistik hjälper oss att överskådligt sammanfatta
Läs merFöreläsning 4. NDAB01 Statistik; teori och tillämpning i biologi
Föreläsning 4 Statistik; teori och tillämpning i biologi 1 Dagens föreläsning o Icke-parametriska test Mann-Whitneys test (kap 8.10 8.11) Wilcoxons test (kap 9.5) o Transformationer (kap 13) o Ev. Andelar
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 merFöreläsning 3, Matematisk statistik Π + E
Repetition Kvantil Presentation Slumptal Transformer Inversmetoden Föreläsning 3, Matematisk statistik Π + E Sören Vang Andersen 13 november 2014 Sören Vang Andersen - sva@maths.lth.se FMS012 F3 1/19 Repetition
Läs merDatorövning 1 Calc i OpenOffice 1
Datorövning 1 Calc i OpenOffice 1 1 OpenOffice Calc Till förmån för de som följer kursen Fysikexperiment för lärare skall vi här gå igenom några få exempel på hur OO Calc (motsvarar MS Excel) kan användas
Läs merInledning till statistikteorin. Skattningar och konfidensintervall för μ och σ
Inledning till statistikteorin Skattningar och konfidensintervall för μ och σ Punktskattningar Stickprov från en population - - - Vi vill undersöka bollhavet men får bara göra det genom att ta en boll
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 7 15 november 2017 1 / 28 Lite om kontrollskrivning och laborationer Kontrollskrivningen omfattar Kap. 1 5 i boken, alltså Föreläsning
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 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 merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2013-01-18 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 09.00 14.00 Lärare: Adam Jonsson, Ove
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 merFöreläsning 1: Introduktion
Föreläsning 1: Introduktion Matematisk statistik Chalmers University of Technology Mars 23, 2015 Lärare och kurslitteratur : Rum: E-mail: Anders Hildeman: Rum: E-mail: Kursansvarig och föreläsare H3018
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 merSyftet med den här laborationen är att du skall bli mer förtrogen med följande viktiga områden inom matematisk statistik
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 4 MATEMATISK STATISTIK, AK FÖR I, FMS 01, HT-07 Laboration 4: Stora talens lag, Centrala gränsvärdessatsen, enkla punktskattningar
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 merSTOCKHOLMS UNIVERSITET FYSIKUM
STOCKHOLMS UNIVERSITET FYSIKUM Tentamensskrivning i Fysikexperiment, 7,5 hp, för FK2002 Onsdagen den 15 december 2010 kl. 9-14. Skrivningen består av två delar A och B. Del A innehåller enkla frågor och
Läs merFöreläsning 4: Konfidensintervall (forts.)
Föreläsning 4: Konfidensintervall forts. Johan Thim johan.thim@liu.se 3 september 8 Skillnad mellan parametrar Vi kommer nu fortsätta med att konstruera konfidensintervall och vi kommer betrakta lite olika
Läs merSF1901: Sannolikhetslära och statistik. Statistik: Intervallskattning (konfidensintervall)
SF1901: Sannolikhetslära och statistik Föreläsning 9. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski 21.02.2012 Jan Grandell & Timo Koski () Matematisk statistik 21.02.2012
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 merValresultat Riksdagen 2018
Valresultat Riksdagen 2018 I ämnesplanerna i matematik betonas att eleverna ska få möjlighet att använda digitala verktyg. Ett exempel från kursen Matematik 2 är Statistiska metoder för rapportering av
Läs merKapitel 4. Kontinuerliga slumpvariabler och deras sannolikhetsfördelningar. Sannolikhetslära och inferens II
Sannolikhetslära och inferens II Kapitel 4 Kontinuerliga slumpvariabler och deras sannolikhetsfördelningar 1 Kontinuerliga slumpvariabler En slumpvariabel som kan anta alla värden på något intervall sägs
Läs merFöreläsning 1. 732G60 Statistiska metoder
Föreläsning 1 Statistiska metoder 1 Kursens uppbyggnad o 10 föreläsningar Teori blandas med exempel Läggs ut några dagar innan på kurshemsidan o 5 räknestugor Tillfälle för individuella frågor Viktigt
Läs merFö relä sning 1, Kö system vä ren 2014
Fö relä sning 1, Kö system vä ren 2014 Här följer en mycket kort sammanfattning av det viktigaste i Föreläsning 1. Observera att dessa anteckningar inte kan ersätta läroboken, de är alltför kortfattade
Läs mer34% 34% 13.5% 68% 13.5% 2.35% 95% 2.35% 0.15% 99.7% 0.15% -3 SD -2 SD -1 SD M +1 SD +2 SD +3 SD
6.4 Att dra slutsatser på basis av statistisk analys en kort inledning - Man har ett stickprov, men man vill med hjälp av det få veta något om hela populationen => för att kunna dra slutsatser som gäller
Läs merPrediktera. Statistik för modellval och prediktion. Trend? - Syrehalt beroende på kovariater. Sambands- och trendanalys
Statistik för modellval och prediktion att beskriva, förklara och förutsäga Georg Lindgren Prediktera Matematisk statistik, Lunds universitet stik för modellval och prediktion p.1/28 Statistik för modellval
Läs merTentamen i Sannolikhetslära och statistik Kurskod S0008M
Tentamen i Sannolikhetslära och statistik Kurskod S0008M Poäng totalt för del 1: 25 (9 uppgifter) Tentamensdatum 2011-06-04 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 09.00 14.00 Lärare: Adam Jonsson,
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 mer