Artificiell intelligens Probabilistisk logik
|
|
- Helen Abrahamsson
- för 8 år sedan
- Visningar:
Transkript
1 Probabilistiska resoemag Artificiell itelliges Probabilistisk logik Are Jösso HCS/IDA Osäkerhet Grudläggade saolikhetslära Stokastiska variabler Bayes teorem Bayesiaska ätverk Kostruktio Iferes Osäkerhet Osäkerhet Agete har ästa aldrig tillgåg till hela saige om omgivige Ofullstädig eller felaktig förståelse av världe, jfr qualificatio problem Exempel: Mål: cykla hem efter jobbet Om ite: Jag måste jobba, Jag blir bortbjude, Cykel stule eller pukterad, Huset bruit er, Jag blir bortrövad etc etc Ka mildra målet: komma hem ågåg Eller resursera: jag sticker u ia jag blir bortrövad och cykel stule Ratioella beslut fattade baserat på hur viktigt målet är jämfört med de kostad det iebär att å målet i termer av hur troligt det är att ma lyckas Diagosregel d Lufttomt(d Pukterig(d Ite korrekt eftersom alla lufttomma däck ite pukterade d Lufttomt(d Pukterig(d IgeVetil(d IgeSlag(d ItePumpat(d qualificatio Fukar ite med d Pukterig(d Lufttomt(d eftersom det ka vara pyspuka, ypukat etc Om iget oförutsett iträffat så: Icke-mooto logik d Lufttomt(d MPukterig(d Pukterig(d
2 Saolikhet Beslutsteoretisk aget Vill ha ågot i stil med: d Lufttomt(d 0,8 Pukterig(d Saolikhete för pukterig givet att däcket är lufttomt är 0,8 Detta betyder att 80% av alla lufttomma däck har pukterig ite att vi har 80% pukterig, dvs satser är saa eller falska med viss saolikhet. Grad av saig hateras med Fuzzy logic Räka ut saolikheter för uvarade tillståd baserat på percept och hadlig Räka ut utfallssaolikheter för hadligar baserat på hadligsbeskrivigar och uvarade tillståd Välj hadlig med högst förvätad yttighet givet saolikhete att lyckas och iformatio om hadligars yttighet E beslutsteoretisk aget ka ite med säkerhet välja e hadlig, utföra de och vara säker på utfallet Stokastiska variabler Kovetioer Stokastiska variabler P(a beteckar saolikhete att de stokastiska variabel a är sa, ovillkorligt Stokastiska variabler skrivs med iledade versal, ex Pukterig I boke beteckas okäda stokastiska variabler med lite bokstav, P(a, vilket vi gör här också Stokastisk variabel, X, har saolikhet för olika värde ur e värdedomäe <x 1, x 2, x > Valig domä är <true, false> P(Pukterig=true = 0,2 Logiska koektiv P(Pukterig = true Cykelpump= false = 0,99 P(X=true skrivs P(x och P(X=false skrivs P( x, P(Pukterig=true skrivs som P(pukterig P(cykelpump pukterig = 0,1
3 Saolikhetsfördelig Grudläggade axiom Stokastisk variabels värdedomä ka ha fler olika värde P(Däcket=pukterat = 0,2 P(Däcket=opumpat = 0,3 P(Däcket=helt = 0,5 P beteckar e vektor av saolikheter P(Däcket = <0,2, 0,3, 0,5> För domäe <true, false> beteckar P(Cykelpump alla värde, dvs P(Cykelpump=true och P(Cykelpump=false P(Cykelpump, Pukterig beteckar alla kombiatioer av värde P(cykelpump, Pukterig beteckar de fall då Cykelpump=true meda Pukterig är atige true eller false 0 P(a 1 P(true = 1; P(false = 0 För variabel D med domäe d 1,..d gäller: i= 1 P( D = = 1 P(a b = P(a + P(b P(a b d i a b Betigad saolikhet Kedjeregel Saolikhete att a är sa givet att b är sa teckas P(a b P(pukterig luft = 0,8, förutsatt att vi bara vet lufttomt P(pukterig luft cykelpump = 0,01, om vi vet mer Betigad saolikhet ka defiieras i termer av ovillkorlig saolikhet Produktregel P(a b = P(a b P(b P(a b = P(a bp(b P(a b = P(b ap(a Produktregel för P P(A,B = P(A BP(B P(A = a 1 B = b 1 = P(A = a 1 B = b 1 P(B = b 1 P(A = a 1 B = b 2 = P(A = a 1 B = b 2 P(B = b 2 Ka också skrivas P(a 1,a 2,...,a = P(a a 1,...,a 1 P(a 1,...,a 1 fortsätt applicera P(a 1,a 2,...,a = P(a a 1,...,a 1 P(a 1 a 2..,a 1...P(a 2 a 1 P(a 1 P(a 1,a 2,...,a = P(a i a i 1,...,a 1 Kedjeregel
4 Sammaslage saolikhetsfördelig, 1 Sammaslage saolikhetsfördelig, 2 P(Pukterig beteckar såväl P(pukterig som P( pukterig, ex P(Pukterig = <0,6, 0,4> P(Pukterig Pukterig=true 0,6 Pukterig=false 0,4 För två variabler med tvåvärd värdedomä (t.ex. true, false blir det 2 x 2 = 4 värde, ex P(Pukterig, Luft beteckar alla kombiatioer av de stokastiska variablera Pukterig och Luft Tabelles värde måste summeras till 1 Ur tabelle fås t.ex.: luft P(Pukterig, Luft luft pukterig 0,1 0,4 pukterig 0,4 0,1 P( pukterig luft = 0,4 P(Pukterig luft = 0,1+ 0,4 = 0,5 P( pukterig luft = P( pukterig luft P( luft = 0,4 0,4 + 0,1 = 0,8 Oberoede Bayes teorem P(Pukterig, Luft ger tabell med 2x2=4 värde Fler variabler P(Pukterig, Luft, Cykelpump ger tabell med 2x2x2=8 värde För biära stokastiska variabler har vi 2 värde P(Tärig=6 Tärig=1 = P(Tärig=6, dvs saolikhete för att få 6 är oberoede av tidigare tärigskast P(Pukterig, Sol är också oberoede och ka skrivas som P(Pukterig P(Sol med 2+2 värde P(Pukterig, Sol, Tadvärk, FredPåJorde är oberoede, dvs P(Pukterig P(Sol P(Tadvärk P(FredPåJorde Ger tabell med =8 värde istället för 2 4 =16 värde P(a b = P(a bp(b P(a b = P(b ap(a P(a bp(b = P(b ap(a P(b ap(a P(a b = P(b P(B AP(A P(A B = P(B Produktregel Bayes teorem Bayes teorem för flervärda variabler
5 Bayes teorem, 2 Mer Bayes Fördele med Bayes teorem är de låter oss uttrycka diagossambad i termer av kausalsambad Kausalsambad, P(a b, b orsakar a, me vi vill ofta diagostisera utifrå observatioer Exempel P(rödaPrickar mässlig = 0,8 (kausalsambad P(mässlig = 0,3 (ovillkorligt P(rödaPrickar = 0,5 Diagostisera mässlig utifrå patiet med röda prickar: P(a b = P(b ap(a P(b Eftersom vi har disjukta hädelser som fyller hela utfallsrummet ka P(b teckas som: P(b = P(aP(b a + P( ap(b a a a b P(mässlig rödaprickar = P(rödaPrickar mässligp(mässlig 0,8 0,3 = P(rödaPrickar 0,5 P(a b = P(b ap(a P(aP(b a + P( ap(b a Mer geerell Bayes Exempel, Kahema & Tversky, 1972 Om vi har flera möjliga orsaker till e viss observatio Stad med två taxibolag: Blå har 85%, Gröa har 15% Taxi ibladad i smitigsolycka o 1 o 2 s o Vitte säger att de var grö Test visar att vittet bladar ihop gröt och blått 20% av falle Hur tillförlitligt är vittet? o 3 P(s = P(o i P(s o i P(o k s = P(s o P(o k k P(o i P(s o i P(grö vittargrö P(vittarGrö grö = 0,8 P(vittarGrö blå = 0,2 P(vittarGrö gröp(grö P(grö vittargrö = P(vittarGrö P(vittarGrö = P(gröP(vittarGrö grö + P(blåP(vittarGrö Blå 0,15 0,8 P(grö vittargrö = 0,15 0,8 + 0,85 0,2 = 0,41
6 Normaliserig, 1 P(vittarGrö gröp(grö P(grö vittargrö = P(vittarGrö P(vittarGrö blåp(blå P(blå vittargrö = P(vittarGrö I båda falle har vi P(vittarGrö i ämare och egetlige är vi mest itresserade av vilke av dessa som är mest saolik Vi ormaliserar och iför: α = 1 P(vittarGrö Normaliserig, 2 Exempel. Är e idivid med röda prickar marsia eller ite? P(marsia = 0,2 P( marsia =1 P(marsia = 0,8 P(rödaPrickar marsia = 0,96 P(rödaPrickar marsia = 0,26 OBS! P(rödaPrickar marsia 1 P(rödaPrickar marsia Till skillad frå P(rödaPrickar marsia =1 P( rödaprickar marsia P(rödaPrickar marsia P(marsia P(marsia rödaprickar = P(rödaPrickar P(rödaPrickar marsia P( marsia P( marsia rödaprickar = P(rödaPrickar 1 Normalisera och iför α = P(rödaPrickar P(marsia rödaprickar = α P(rödaPrickar marsia P(marsia = 0,96 0,2 α = 0,19 α P( marsia rödaprickar = α P(rödaPrickar marsia P( marsia = 0,26 0,8 α = 0,21 α Normaliserad Bayes Exempel, taligekäig P(Y X=αP(X YP(Y där α är e ormaliserigskostat som ser till att P(Y X summeras till 1 P(X Y kausalsambad, ex mässlig ger röda prickar Vi har också P(a b P(a b = = α P(a b P(b Jämför med Bayes P(a b = P(b ap(a P(b = α P(b a P(a Ma vill välja det mest saolika ord som e viss ljudsigal svarar mot P(Sigal Ord P(Ord P(Ord Sigal = = α P(Sigal Ord P(Ord P(Sigal P(Ord ager hur valigt ett visst ord är (i e viss kotext P(Sigal Ord är de akustiska modelle och ager vilke ljudsigal ett ord oftast ger upphov till Ex: P( räv räv = 0,7 P( oäv räv = 0,1 P( rev räv = 0,2
7 Villkorligt oberoede, 1 Villkorligt oberoede, 2 P(mässlig rödaprickar feber = α P(rödaPrickar feber mässligp(mässlig Skalar ite upp eftersom vi har kombiatioer av värde, geerellt P(X 1,X 2,,X Y ger 2 värde Me både röda prickar och feber beror på mässlig så vi ka ata att röda prickar (feber ite påverkas av om ma har feber (röda prickar eller ite, givet att vi vet mässlig. De är villkorligt oberoede P(mässlig rödaprickar feber = α P(rödaPrickar mässlig P( feber mässlig P(mässlig Geerellt: Om variablera X och Y är villkorligt oberoede givet variabel Z så gäller att: P(X, Y Z = P(X Z P(Y Z Vi har också variatera: P(X Y, Z = P(X Z och P(Y X, Z = P(Y Z om X och Y villkorligt oberoede givet Z P(Feber Mässlig RödaPrickar = P(Feber Mässlig dvs saolikhete för feber givet att ma har mässlig påverkas ite av om ma har röda prickar eller ej Naive Bayes Tolkig av saolikhet Om e orsak ka ge upphov till flera olika effekter så ka ma förekla de sammaslaga saolikhetsfördelige P(Mässlig,RödaPrickar,Feber = produktregel = P(Mässlig P(RödaPrickar,Feber Mässlig Villkorligt oberoede ger : P(Mässlig,RödaPrickar,Feber = P(Mässlig P(Feber Mässlig P(RödaPrickar Mässlig Mer geerellt P(Orsak, Effekt 1, Effekt 2,...Effekt = P(Orsak P(Effekt i Orsak Kallas Naive Bayes eftersom de också iblad aväds är effektera ite är villkorligt oberoede Frekvetialister Saolikheter baseras på experimet Subjektivister Saolikheter kommer ur agetes övertygelse Objektivister Saolikhetera är objektiva saigar, beroede på objektet, ex. P(Myt=kroa =0,5
8 Bayesiaska ätverk Exempel Stokastiska variabler represeterade som oder i ett ätverk Riktade läkar mella par av oder E tabell med villkorssaolikheter som ager effekte på e od frå förälderodera Grafe har iga riktade cykler (DAG Are skriver ett pythoprogram me iget häder i föstret. Cursor blikar i skalföstret. Bug eller datorkrasch? Stokastiska variabler Bug -föstret Operativsystemet Skalföstret Bayesiaskt ätverk Övergågssaolikheter Bug Ovillkorlig P(dator P( dator 0,9 0,1 Ett beroede Tsch OS P(tsch OS P( tsch OS T 0,9 0,1 F 0,01 0,99 OS Tcsh Exec Beror av två stokastiska variabler Bug P(idle, Bug P( idle, Bug T T 0,9 0,1 T F 0,2 0,8 F T 0,8 0,2 F F 0,001 0,999
9 Bayesiaskt ätverk Iferes i bayesiaska ät, 1 OS P(tsch T 0,9 F 0,01 P(dator 0,9 OS P(bug Bug 0,8 Bug P(idle, Bug T T 0,9 T F 0,2 Det bayesiaska ätverket beskriver domäe P(X 1 =v 1, X 2 =v 2, X =v ka beräkas utifrå föräldraras påverka t.ex. P(dator idle exec bug tsch os = P(dator P(bug P(os dator P(tsch os P(idle dator bug P( exec idle=0,9 0,8 0,9 0,9 0,9 0,1=0,053 F T 0,8 Bug Tcsh Tsch Os P(tsch Os T 0,9 F 0,01 F F 0,001 Exec Exec Idle P(exec Idle T 0,9 F 0,05 OS Tcsh Exec Iferes i bayesiaska ät, 2 Iferes i bayesiaska ät, 3 Mer geerellt: P(X 1,X 2,...,X = P(X i Parets(X i om ode X i bara beror av oder ovaför, dvs Parets(X i { X i 1,...,X 2,X 1 } dvs villkorligt oberoede I pythoprogrammerigsätet får t.ex. ite Idles fuktioalitet beror av att Os fugerar, dvs P(Exec Tsch, Os, Idle, Bug, = P(Exec Idle Betigade saolikheter P(a b=α P(a b eller mer geerellt P(A B=α P(A,B där P(A,B kommer ur sambadet för föräldrars påverka Exempel P(exec bug. Beror av såväl som Idle som räkas ut geom att summera över alla möjliga värde, dvs true och false OS Bug Tcsh Exec
10 Iferes i bayesiaska ät, 4 P(exec bug = α P(exec Idle P(Idle bug, P( P(bug Idle P(idle bug, P( P(bug = β P(idle bug, P( P(bug = β (P(idle bug dator P(dator P(bug + P(idle bug dator P( dator P(bug = β (0,9 0,9 0,8 + 0,8 0,1 0,8 = β 0,712 P( idle bug, = β (0,1 0,9 0,8 + 0,2 0,1 0,8 = β 0,088 P(Idle bug, = β < 0,712, 0,088 >=< 0,89, 0,11 > P(exec bug = α (P(exec idle 0,89 + P(exec idle 0,11 = α (0,9 0,89 + 0,05 0,11 = α 0,80595 P( exec bug = α (P( exec idle 0,89 + P( exec idle 0,11 = α (0,1 0,89 + 0,95 0,11 = α 0,1935 P(Exec bug =< 0,8055, 0,1934 > Diagos Iferes i bayesiaska ät, 4 Frå effekt till orsak P( dator exec Kausalitet Frå orsak till effekt P(exec dator Iterkausalitet Mella orsaker till samma effekt P( dator bug idle Bladad iferes P(bug exec dator Iferes i bayesiaska ät, 5 Kostruktio av Bayesiaska ätverk Beräkigstugt och det geerella fallet är NP-komplett Villkorliga oberoede gör det iblad lättare Ofta approximativa lösigar 1. Orda de stokastiska variablera, X 1,, X 2. För varje od, till 1. Stoppa i X i i ätverket 2. Lägg i bågar frå de stokastiska variablera X 1,, X i-1 så att P(X i X 1,, X i-1 = P(X i Parets(X i dvs. så att varje od är villkorligt oberoede av de tidigare odera i ätverket, givet sia föräldrar
11 Exempel, 1 Exempel, 2 Mässlig, Feber, Röda prickar, Värk Mässlig Ordig: Mässlig, Feber, RödaPrickar, Värk Värk Ordig: Värk, Feber, RödaPrickar, Mässlig P(Feber Värk P(Feber Värk RödaP P(Feber Mässlig P(Feber Mässlig RödaP P(RödaP Värk, Feber P(RödaP Värk P(RödaP Värk, Feber P(RödaP Feber P(RödaP Värk, Feber P(RödaP Feber P(RödaP Mässlig P(RödaP P(RödaP Mässlig, Feber = P(RödaP Mässlig Feber P(Mässlig Värk, Feber, RödaP P(Mässlig Värk, Feber P(Mässlig Värk, Feber, RödaP P(Mässlig Feber etc P(Mässlig Värk, Feber, RödaP P(Mässlig P(Värk Mässlig P(Värk P(Värk Mässlig, Feber, RödaP = P(Värk Mässlig Variabelval Sammafattig, 1 Kausalsambad sarare ä diagossambad Frå orsak till verka Grudorsak Variabler som påverkas direkt av grudorsake Observerbara effekter Stokastisk variabel A med saolikhet att vara sa P(A=true, skrivs också P(a Iga problem, t.ex. P(a=0,8, eller P(A = <0,8 0,2> P(A,B ger tabell med 4 (2 2 värde stokastiska variabler P(X 1, X ger 2 värde. Problem! Oberoede P(Tärig=6 Tärig = 1 = P(Tärig=6 a a b 0,2 0,3 b 0,4 0,1
12 Sammafattig, 2 Sammafattig, 3 Bayes teorem, frå kausal(orsaksambad till diagossambad P(b ap(a P(a b = = αp(b ap(a P(b P(A B = αp(b AP(A! Villkorligtoberoede P(Orsak Obs 1...Obs = P(Orsak Obs 1...P(Orsak Obs! kombieratmedkedjeregel P(Orsak,Obs 1...Obs = P(OrsakP(Orsak Obs 1...Obs! gernaivebayes P(Orsak,Obs 1...Obs = P(Orsak P(Orsak Obs i Bayesiaskt ätverk tar häsy till beroede mella variabler och Bug 1 värde vardera Os, Tcsh och Exec 2 värde vardera 4 värde Totalt 12 värde Bug OS Tcsh Exec Jämför: 6 stokastiska variabler ger 2 6 = 64 värde Probabilistiskt resoerade över tid Övergågssaolikheter Bayesiaska ätverk beskriver e statisk situatio Världe förädras med tide Robot som går rut i världe Medicisk diagos Taligekäig etc Tillståd som förädras över tid, X t Observatioer vid e viss tidpukt, E t Diskreta observatiostillfälle Sekves av tillståd, X a:b X t-2 P(X t X 0:t-1 = P(X t X 0,X 1,X 2,, X t-2,x t-1 Problem är t ökar X t-1 Markovatagadet. Nuvarade tillståd beror bara av ett ädligt atal tidigare tillståd Första ordiges Markov process, beror bara av föregåede tillståd P(X t X 0:t-1!=!P(X t X t-1 Adra ordiges markovprocess P(X t X 0:t-1 = P(X t X t-2, X t-1! X t X t+1 X t+2 X t-2 X t-1 X t X t+1 X t+2
13 Dold markovmodell (HMM Exempel Tillståde i de valiga markovmodelle observerbara Saolikhete för mässlig beror av om ma har feber eller ite I e dold markovmodell ka ma bara se observatioera, E t X t-2 X t-1 X t X t+1 X t+2 Mässlig t-1 Mässlig t Mässlig t+1 E t-2 E t-1 Tillståde är dolda, hidde E t E t+1 E t+2 Markovatagade för observatioera; de beror bara av uvarade tillståd P(E t X 0:t-1, E 0:t-1 =P(E t X t Feber t-1 Feber t Villkorliga saolikhetstabeller, ex Mässlig t-1 P(Mässlig t Mässlig t-1 T F Feber t+1 Mässlig t P(Feber t Mässlig t T F Sammasatta fördelige Iferes i temporala modeller Atag starttillstådet P(X 0 Övergågsmodelle P(X t X t-1 Observatiosmodelle P(E t X t t P(X 0:t, E 1:t = P(X 0 P(X i X i 1 P(E i X i Filtrerig, P(X t e 1:t Beräka uvarade saolikhet givet alla bevis hittills Predicerig, P(X t+k e 1:t Beräka saolikhete för ett framtida tillståd Smoothig, P(X k e 1:t Beräka saolikhete för ett tidigare tillståd Mest saolika förklarig, argmax x1:t P(x 1:t e 1:t Beräka de sekves av tillståd som geererat observatioera 51 52
Osäkerhet. Probabilistiska resonemang. Sannolikhet. Osäkerhet. ! Osäkerhet! Grundläggande sannolikhetslära. ! Bayesianska nätverk
Probabilistiska resoemag Osäkerhet! Osäkerhet! Grudläggade saolikhetslära! Stokastiska variabler! Bayes teorem! Bayesiaska ätverk! Kostruktio! Iferes! Agete har ästa aldrig tillgåg till hela saige om omgivige!
Läs mer729G43 Artificiell intelligens Probabilistisk logik. Arne Jönsson HCS/IDA
729G43 Artificiell intelligens Probabilistisk logik Arne Jönsson HCS/IDA Probabilistiska resonemang Osäkerhet Grundläggande sannolikhetslära Stokastiska variabler Bayes teorem Bayesianska nätverk Konstruktion
Läs merMS-A0409 Grundkurs i diskret matematik I
MS-A0409 Grudkurs i diskret matematik I G. Gripeberg Mägder och logik Relatioer och fuktioer Aalto-uiversitetet oktober 04 Kombiatorik etc. G. Gripeberg (Aalto-uiversitetet MS-A0409 Grudkurs i diskret
Läs merTentamen i Statistik STG A01 (12 hp) 5 mars 2010, kl. 08.15 13.15
Karlstads uiversitet Fakultete för ekoomi, kommuikatio och IT Statistik Tetame i Statistik STG A0 ( hp) 5 mars 00, kl. 08.5 3.5 Tillåta hjälpmedel: Bifogad formel- och tabellsamlig (skall retureras) samt
Läs merTentamen i Statistik, STA A13 Deltentamen 2, 5p 20 januari 2007, kl. 09.00-13.00
0.01.007 Tetame i Statistik, STA A13 Deltetame, 5p 0 jauari 007, kl. 09.00-13.00 Tillåta hjälpmedel: Bifogad formel- och tabellsamlig (skall retureras) samt miiräkare. Asvarig lärare: Haah Hall Övrigt:
Läs merKompletterande kurslitteratur om serier
KTH Matematik Has Thuberg 5B47 Evariabelaalys Kompletterade kurslitteratur om serier I Persso & Böiers.5.4 itroduceras serier, och serier diskuteras också i kapitel 7.9. Ia du läser vidare här skall du
Läs merEnkel slumpvandring. Sven Erick Alm. 9 april 2002 (modifierad 8 mars 2006) 2 Apan och stupet 3 2.1 Passagesannolikheter... 3 2.2 Passagetider...
Ekel slumpvadrig Sve Erick Alm 9 april 2002 (modifierad 8 mars 2006) Iehåll 1 Iledig 2 2 Apa och stupet 3 2.1 Passagesaolikheter............................... 3 2.2 Passagetider....................................
Läs merMS-A0409 Grundkurs i diskret matematik Sammanfattning, del I
MS-A0409 Gudkus i disket matematik Sammafattig, del I G. Gipebeg 1 Mägde och logik 2 Relatioe och fuktioe Aalto-uivesitetet 15 maj 2014 3 Kombiatoik etc. G. Gipebeg Aalto-uivesitetet MS-A0409 Gudkus i
Läs mer(a) om vi kan välja helt fritt? (b) om vi vill ha minst en fisk av varje art? (c) om vi vill ha precis 3 olika arter?
Lösigar Grudläggade Diskret matematik 11054 Tid: 1.00-17.00 Telefo: 036-10160, Examiator: F Abrahamsso 1. I de lokala zoo-affäre fis 15 olika fiskarter med mist 0 fiskar utav varje art). På hur måga sätt
Läs merÖvningstentamen i MA2018 Tillämpad Matematik III-Statistik, 7.5hp
Övigstetame i MA08 Tillämpad Matematik III-Statistik, 7.5hp Hjälpmedel: Räkedosa och medföljade formelsamlig! Täk på att dia lösigar ska utformas så att det blir lätt för läsare att följa dia takegågar.
Läs merBorel-Cantellis sats och stora talens lag
Borel-Catellis sats och stora tales lag Guar Eglud Matematisk statistik KTH Vt 2005 Iledig Borel-Catellis sats är e itressat och avädbar sats framför allt för att bevisa stora tales lag i stark form. Vi
Läs merTentamen i Kunskapsbaserade system, 5p, Data 3
Kuskapsbaserade system, tetame 2000-03-0 Istitutioe för tekik Tetame i Kuskapsbaserade system, 5p, Data 3 Datum: 2000-03-0 Tid: 8.00-3.00 Lärare: Potus Bergste, 3365 Hjälpmedel: Miiräkare Uppgiftera ska
Läs merMA2018 Tillämpad Matematik III-Statistik, 7.5hp, 2014-08-23
1 MA018 Tillämpad Matematik III-Statistik, 7.5hp, 014-08-3 Hjälpmedel: Räkedosa och medföljade formelsamlig! Täk på att dia lösigar ska utformas så att det blir lätt för läsare att följa dia takegågar.
Läs merTentamen i matematisk statistik
Tetame i matematisk statistik Uppgift : På e arbetsplats skadades % av persoale uder ett år. 60% av alla skadade var mä. 0% av alla aställda var kvior. Är det maliga eller kviliga aställda som löper störst
Läs merMS-A0409 Grundkurs i diskret matematik Sammanfattning, del I
MS-A0409 Grudkurs i diskret matematik Sammafattig, del I G. Gripeberg Aalto-uiversitetet 2 oktober 2013 G. Gripeberg (Aalto-uiversitetet) MS-A0409 Grudkurs i diskret matematiksammafattig, del 2Ioktober
Läs merÅteranvändning. Två mekanismer. Nedärvning av egenskaper (inheritance) Objekt komposition
Iheritace Återavädig Två mekaismer Nedärvig av egeskaper (iheritace) Objekt kompositio A A +a +b B B Iheritace Återavädig geom att skapa subklasser kallas ofta white box reuse Ekelt att aväda Relatioe
Läs merFöreläsning 3. 732G04: Surveymetodik
Föreläsig 3 732G04: Surveymetodik Dages föreläsig Obudet slumpmässigt urval (OSU) Populatiosparametrar och stickprovsstatistikor Vätevärdesriktighet Ädliga och oädliga populatioer Medelvärde, adel Kofidesitervall
Läs merTentamen i Flervariabelanalys F/TM, MVE035
Tetame i Flervariabelaalys F/TM, MV35 8 3 kl. 8.3.3. Hjälpmedel: Iga, ej räkedosa. Telefo: Oskar Hamlet tel 73-8834 För godkät krävs mist 4 poäg. Betyg 3: 4-35 poäg, betyg 4: 36-47 poäg, betyg 5: 48 poäg
Läs merFöreläsning F3 Patrik Eriksson 2000
Föreläsig F Patrik riksso 000 Y/D trasformatio Det fis ytterligare ett par koppligar som är värda att käa till och kua hatera, ite mist är ma har att göra med trefasät. Dessa kallas stjärkopplig respektive
Läs merLösningsförslag 081106
Lösigsförslag 86 Uppgift Trädslag: kvalitativ, omialskala (diskret) Diameter: kvatitativ, kvotskala, kotiuerlig Höjd: kvatitativ, kvotskala, kotiuerlig Ålder: kvatitativ, kvotskala, kotiuerlig Trädslag:
Läs merStatistisk analys. Vilka slutsatser kan dras om populationen med resultatet i stickprovet som grund? Hur säkra uttalande kan göras om resultatet?
Statistisk aalys Vilka slutsatser ka dras om populatioe med resultatet i stickprovet som grud? Hur säkra uttalade ka göras om resultatet? Mats Guarsso Tillämpad matematik III/Statistik - Sida 83 Exempel
Läs mer5 Kontinuerliga stokastiska variabler
5 Kontinuerliga stokastiska variabler Ex: X är livslängden av en glödlampa. Utfallsrummet är S = x : x 0}. X kan anta överuppräkneligt oändligt många olika värden. X är en kontinuerlig stokastisk variabel.
Läs merESBILAC. mjölkersättning för hundvalpar BRUKSANVISNING. www.kruuse.com
ESBILAC mjölkersättig för hudvalpar BRUKSANVISNING De bästa starte för e yfödd valp är självklart att dia tike och få i sig mammas mjölk. Modersmjölke iehåller allt som de små behöver i form av ärigsäme,
Läs merKMR. mjölkersättning för kattungar BRUKSANVISNING. www.kruuse.com
KMR mjölkersättig för kattugar BRUKSANVISNING De bästa starte för e yfödd kattuge är självklart att dia mammas mjölk. För e yfödd kattuge är det framför allt viktigt att få i sig mammas mjölk de två första
Läs mer4.2.3 Normalfördelningen
4.2.3 Normalfördelige Biomial- och Poissofördelige är två exempel på fördeligar för slumpvariabler som ka ata ädligt eller uppräkeligt måga olika värde. Sådaa fördeligar sägs vara diskreta. Ofta är ett
Läs merLycka till! I(X i t) 1 om A 0 annars I(A) =
Avd Matematisk statistik TENTAMEN I SF955 f d 5B555 DATORINTENSIVA METODER ONSDAGEN DEN AUGUSTI 008 KL 400 900 Examiator: Guar Eglud, tel 790746 Email: guare@mathkthse Tillåta hjälpmedel: Formel- och tabellsamlig
Läs merTMS136: Dataanalys och statistik Tentamen 2013-10-26 med lösningar
TMS36: Dataaalys och statistik Tetame 03-0-6 med lösigar Examiator och jour: Mattias Sude, tel. 0730 79 9 79 Hjälpmedel: Chalmersgodkäd räkare och formelsamlig formelsamlig delas ut med teta). Betygsgräser:
Läs merFunktionsteori Datorlaboration 1
Fuktiosteori Datorlaboratio 1 Fuktiosteori vt1 2013 Rekursiosekvatioer och komplex aalys Syftet med datorövige Öviges ädamål är att ge ett smakprov på hur ett datoralgebrasystem ka avädas för att att lösa
Läs merSAMMANFATTNING TAMS79 Matematisk statistik, grundkurs
SAMMANFATTNING TAMS79 Matematisk statistik, grudkurs LÄST SOM EN DEL AV CIVILINGENJÖRSPROGRAMMET I INDUSTRIELL EKONOMI VID LITH, HT 2015 Versio: 1.0 Seast reviderad: 2016-02-01 Författare: Viktor Cheg
Läs mer. Mängden av alla möjliga tillstånd E k kallas tillståndsrummet.
Stokastiska rocesser Defiitio E stokastisk rocess är e mägd familj av stokastiska variabler Xt arameter t är oftast me ite alltid e tidsvariabel rocesse kallas diskret om Xt är e diskret s v för varje
Läs merArmin Halilovic: EXTRA ÖVNINGAR
Stokastiska rocesser Defiitio E stokastisk rocess är e mägd (familj) av stokastiska variabler X(t) arameter t är oftast (me ite alltid) e tidsvariabel rocesse kallas diskret om X(t) är e diskret s v för
Läs merMultiplikationsprincipen
Kombiatori Kombiatori hadlar oftast om att räa hur måga arragemag det fis av e viss typ. Multipliatiospricipe Atag att vi är på e restaurag för att provsmaa trerättersmåltider. Om det fis fyra förrätter
Läs merLeica Lino. Noggranna, självavvägande punkt- och linjelasers
Leica Lio Noggraa, självavvägade pukt- och lijelasers Etablera, starta, klart! Med Leica Lio är alltig lodat och perfekt apassat Leica Lios projekterar lijer eller pukter med millimeterprecisio och låter
Läs merTAMS15: SS1 Markovprocesser
TAMS15: SS1 Markovprocesser Joha Thim (joha.thim@liu.se) 21 ovember 218 Vad häder om vi i e Markovkedja har kotiuerlig tid istället för diskreta steg? Detta är ett specialfall av e kategori stokastiska
Läs mer( ) ( ) Kap. 5.5-7. Kolligativa egenskaper + fasjämvikter för 2-komponentsystem 5B.2/5.5 Kolligativa egenskaper R T
Ka. 5.5-7. Kolligativa egeskaer + fasjämvikter för 2-komoetsystem 5.2/5.5 Kolligativa egeskaer Kolligativa egeskaer: Egeskaer som edast beror å atalet artiklar som lösts Förutsättig: utsädda lösigar, lösta
Läs mera utsöndring b upptagning c matspjälkning d cirkulation
I levade varelser bryts stora och sammasatta molekyler ed till små och ekla molekyler. Vad kallas dea process? S02_01 a utsödrig b upptagig c matspjälkig d cirkulatio S042009 Kalle hade ifluesa. Ha spelade
Läs merTMS136. Föreläsning 1
TMS136 Föreläsning 1 Varför? Om vi gör mätningar vill vi modellera och kvantifiera de osäkerheter som obönhörligen finns Om vi handlar med värdepapper vill vi modellera och kvantifiera de risker som finns
Läs merAntalet sätt att välja ut r objekt bland n stycken med hänsyn till ordning är np r = n(n 1) (n r + 1).
Harald Lag Formelsamlig och Tabeller i Statistik och Saolikhetsteori (15/11-10) Datareducerig Om x 1,..., x är ett stickprov ur e populatio så defiieras medelvärdet x x = 1 k=1 x k och stadardavvikelse
Läs merLÖSNINGAR TILL. Räkningar: (z i z) 2 = , Δ = z = 1 n. n 1. Konfidensintervall:
LÖSNINGAR TILL Matematisk statistik Tetame: 2014 10 28 kl 14 00 19 00 Matematikcetrum FMS 086 Matematisk statistik för B, K, N och BME, 7.5 hp Luds tekiska högskola MASB02 Matematisk statistik för kemister,
Läs merApplikationen kan endast användas av enskilda användare med förtroenderapportering.
Aktiverig mobil app 1 Aktiverig mobil app Aktiverig mobil app aväds för att koppla e eskild avädare till Visma Agdas mobilapplikatio. Applikatioe ka edast avädas av eskilda avädare med förtroederapporterig.
Läs merKursombud sökes! Kursens syfte är att ge en introduktion till metoder för att förutsäga realtidsegenskaper hos betjäningssystem, i synnerhet för data- och telekommunikationssystem. Såväl enkla betjäningssystem,
Läs merTentamen i matematisk statistik
MSTA3, Saolikhetsteori A, 5 p 5--7 Tetame i matematisk statistik Saolikhetsteori A, 5 poäg Skrivtid: 9.-5.. Tillåta hjälpmedel: Tabellsamlig, ege miiräkare. Studetera får behålla tetamesuppgiftera. På
Läs merProbabilistisk logik 2
729G43 Artificiell intelligens / 2016 Probabilistisk logik 2 Marco Kuhlmann Institutionen för datavetenskap Översikt Probabilistiska modeller Probabilistisk inferens 1: Betingad sannolikhet Probabilistisk
Läs merz Teori z Hypotesgenerering z Observation (empirisk test) z Bara sanningen : Inga falska teser z Hela sanningen : Täcker alla sanna teser
Teoribildig Översikt forskigsmetodik Mål för veteskape: Att kostruera bättre och bättre teorier De veteskapliga processe z Teori z Hypotesgeererig z Observatio (empirisk test) z Abduktio (det observerade
Läs merTAMS79: Föreläsning 9 Approximationer och stokastiska processer
TAMS79: Föreläsig 9 Approximatioer och stokastiska processer Joha Thim 18 ovember 2018 9.1 Biomialfördelig Vi har reda stött på dea fördelig flera gåger. Situatioe är att ett slumpförsök har två möjliga
Läs merK3 Om andra ordningens predikatlogik
KTH Matematik Bengt Ek Maj 2005 Kompletteringsmaterial till kursen 5B1928 Logik för D1: K3 Om andra ordningens predikatlogik Vi presenterar på dessa sidor kortfattat andra ordningens predikatlogik, vilket
Läs merMinsta kvadrat-metoden, MK. Maximum likelihood-metoden, ML. Medelfel. E(X i ) = µ i (θ) MK-skattningen av θ fås genom att minimera
Matematisk statistik slumpes matematik Saolikhetsteori hur beskriver ma slumpe? Statistikteori vilka slutsatser ka ma dra av ett datamaterial? Statistikteori översikt Puktskattig Hur gör ma e bra gissig
Läs merTentamen'i'TMA321'Matematisk'Statistik,'Chalmers'Tekniska'Högskola.''
Tentamen'i'TMA321'Matematisk'Statistik,'Chalmers'Tekniska'Högskola.'' Hjälpmedel:'Valfri'räknare,'egenhändigt'handskriven'formelsamling'(4''A4Esidor'på'2'blad)' och'till'skrivningen'medhörande'tabeller.''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
Läs merSamverkande Expertnät
1 Samverkande Expertnät 2 3 1 2 3 Parallella nätverk Sammanvägning av svaren Två olika fördelar Utjämna egenheter hos nätverken Låt nätverken specialisera sig Egenskaper hos ett enkelt nätverk Överträning
Läs mer2. Konfidensintervall för skillnaden mellan två proportioner.
Föreläsig 12 LV1, Torsdag 12/10 Upplägg 1. Kofidesitervall för proportioer. 2. Kofidesitervall för skillade mella två proportioer. 3. Grafteori Kofidesitervall för proportioer Atag att vi vill skatta adele
Läs merFinansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 4 (del 2)
Fiasiell Statistik (GN, 7,5 hp,, HT 008) Föreläsig 4 (del ) Pukt- och itervallskattig (LLL Kap 10) Departmet of Statistics (Gebreegus Ghilagaber, PhD, Associate Professor) Fiacial Statistics (Basic-level
Läs merProbabilistisk logik 1
729G43 Artificiell intelligens / 2016 Probabilistisk logik 1 Marco Kuhlmann Institutionen för datavetenskap Osäkerhet 1.01 Osäkerhet Agenter måste kunna hantera osäkerhet. Agentens miljö är ofta endast
Läs merStorräkneövning: Sannolikhetslära
UPPSALA UNIVERSITET Matematiska institutionen Jakob Björnberg Sannolikhet och statistik 2012 09 28 Storräkneövning: Sannolikhetslära 1. (Tentamen, april 2009.) Man har efter studier av beredskapen hos
Läs merAvd. Matematisk statistik
Avd. Matematisk statistik TENTAMEN I SF1902 SANNOLIKHETSTEORI OCH STATISTIK, TORSDAGEN DEN 23:E MAJ 2013 KL 14.00 19.00. Kursledare och examinator : Björn-Olof Skytt Tillåtna hjälpmedel: miniräknare, lathund
Läs merBilaga 1 Schematisk skiss
Bilaga 1 Schematisk skiss Kalkylbilaga till PM fördjupig JU140 2010-02-01 Baverket Norrbotiabaa Järvägsutredig 140 Dele läsgräse AC/BD - Piteå Bilaga 12 till PM Fördjupigg JU140 Iehållsförteckig Sida 1
Läs merIntroduktion till statistik för statsvetare
"Det fis iget så praktiskt som e bra teori" November 2011 Bakgrud Stadardiserig E saolikhetsekvatio Kosekves av stora tales lag Stora tales lag ger att är slumpvariablera X i är oberoede, med e och samma
Läs merTENTAMEN I MATEMATIK MED MATEMATISK STATISTIK HF1004 TEN kl
TENTAMEN I MATEMATIK MED MATEMATISK STATISTIK HF004 TEN 0-04-5 kl 8.5-.5 Hjälpmedel: Formler och tabeller i statistik, räkedosa Fullstädiga lösigar erfordras till samtliga uppgifter. Lösigara skall vara
Läs merF10 ESTIMATION (NCT )
Stat. teori gk, ht 2006, JW F10 ESTIMATION (NCT 8.1-8.3) Ordlista till NCT Iferece Parameter Estimator Estimate Ubiased Bias Efficiecy Cofidece iterval Cofidece level (Studet s) t distributio Slutledig,
Läs merTolkning av sannolikhet. Statistikens grunder, 15p dagtid. Lite mängdlära. Lite mängdlära, forts. Frekventistisk n A /n P(A) då n
Tolkig av saolikhet Statistikes gruder, 15p dagtid HT 01 Föreläsigar F4-F6 Frekvetistisk A / A) då Klassisk atal(a) / atal(ω) = A) storlek(a) / storlek(ω) = A) Subjektiv (persolig) isats/total vist = A)
Läs merKonsoliderad version av. Styrelsens för ackreditering och teknisk kontroll föreskrifter (STAFS 1993:18) om EEG-märkning av färdigförpackade varor
Kosoliderad versio av Styrelses för ackrediterig och tekisk kotroll föreskrifter (STAFS 1993:18) om EEG-märkig av färdigförpackade varor Rubrike har dea lydelse geom (STAFS 2008:11) Ädrig iförd: t.o.m.
Läs merAnna: Bertil: Cecilia:
Marco Kuhlmann 1 Osäkerhet 1.01 1.02 1.03 1.04 1.05 Intelligenta agenter måste kunna hantera osäkerhet. Världen är endast delvist observerbar och stokastisk. (Jmf. Russell och Norvig, 2014, avsnitt 2.3.2.)
Läs mer1. Test av anpassning.
χ -metode. χ -metode ka avädas för prövig av hypoteser i flera olika slag av problem: om e stokastisk variabel följer e viss saolikhetsfördelig med käda eller okäda parametrar. om två stokastiska variabler
Läs merde var svåra att implementera och var väldigt ineffektiva.
OBS! För flervalsfrågorna gäller att flera alternativ eller inget alternativ kan vara korrekt. På flervalsfrågorna kan man bara ha rätt eller fel, dvs frågan måste vara helt korrekt besvarad. Totalt kan
Läs merFör att minimera de negativa hälsokonsekvenserna av tunnelluft finns i dagsläget tre metoder;
MKB till detaljpla Förbifart Stockholm Hälsoeffekter av tuelluft Studier idikerar att oöskade korttidseffekter, blad aat ökat atal iflammatiosmarkörer, börjar uppstå vid e expoerig som motsvaras av tuelluft
Läs merSannolikheter 0 < P < 1. Definition sannolikhet: Definition sannolikhet: En sannolikhet kan anta värden från 0 till 1
Saolikheter E saolikhet ka ata värde frå 0 till 1 0 < P < 1 Beteckas: P Pr Prob Saolikhete för e hädelse Hädelse A P(A) Pr(A) Prob(A) Defiitio saolikhet: De frekves med vilke hädelse av itresse iträffar
Läs merGrundläggande matematisk statistik
Grudläggade matematisk statistik Puktskattig Uwe Mezel, 2018 uwe.mezel@slu.se; uwe.mezel@matstat.de www.matstat.de Saolikhetsteori: Saolikhetsteori och statistikteori vad vi gjorde t.o.m. u vi hade e give
Läs merθx θ 1 om 0 x 1 f(x) = 0 annars
Avd. Matematisk statistik TENTAMEN I SF903 SANNOLIKHETSLÄRA OCH STATISTIK FÖR 3-ÅRIG Media TIMEH TORSDAGEN DEN TREDJE JUNI 200 KL 4.00 9.00. Examiator: Guar Eglud, tel. 790 74 06 Tillåta hjälpmedel: Läroboke.
Läs merFinansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 4 (del 1)
Fiasiell Statistik (GN, 7,5 hp,, HT 008) Föreläsig 4 (del 1) Sampligfördeligar (LLL Kap 8) Departmet of Statistics (Gebreegus Ghilagaber, PhD, Associate Professor) Fiacial Statistics (Basic-level course,
Läs merFöreläsning G70 Statistik A
Föreläsig 5 732G70 Statistik A Egeskaper hos stickprovsstatistikora Stickprovsmedelvärde Stickprovssumma Stickprovsadel Lägesmått Spridig Medelfel EX VarX 2 2 E X Var X E P Var P X X 1 1 P Eftersom respektive
Läs merF3 Lite till om tidsserier. Statistikens grunder 2 dagtid. Sammansatta index 4. Deflatering HT Laspeyres index: Paasche index: Index.
F3 Lite till om tidsserier Deflaterig, att justera för iflatioe tatistikes gruder dagtid 4 3,5 3,5,5 Mjölk ockerdricka HT,5 975 976 977 978 979 98 98 98 Löpade priser År Mjölk ockerdricka KPI 945 = 975,34,
Läs merSannolikhetslära. c 2015 Eric Järpe Högskolan i Halmstad
Saolikhetslära c 201 Eric Järpe Högskola i Halmstad Saolikhetslära hadlar om att mäta hur saolikt (dvs hur ofta ) ma ka förväta sig att ågot iträffar. Därför sorterar saolikhetslära uder de matematiska
Läs merTMS136. Föreläsning 2
TMS136 Föreläsning 2 Sannolikheter För en händelse E skriver vi sannolikheten att E inträffar som P(E) För en händelse E skriver vi sannolikheten att E inte inträffar som P(E ) Exempel Låt E vara händelsen
Läs merFöreläsning G70, 732G01 Statistik A. Föreläsningsunderlagen är baserade på underlag skrivna av Karl Wahlin
Föreläsig 5 73G70, 73G01 Statistik A Föreläsigsuderlage är baserade på uderlag skriva av Karl Wahli Kapitel 5 Stickprovsteori Sid 15-150 Statistisk iferes Populatio (äve målpopulatio) = de (på logisk väg
Läs merMarkanvisningsavtal för och försäljning av fastigheten Gesällen 25
TJÄNSTSKRIVLS Hadläggare atum Äredebeteckig Johaa Kidqvist -05- KS /05 50 Kommufullmäktige Markavisigsavtal för och försäljig av fastighete Gesälle 5 Förslag till beslut Kommufullmäktige godkäer förslag
Läs mer1. (a) Eftersom X och Y har samma fördelning så har de även samma väntevärde och standardavvikelse. E(X 2 ) = k
LÖSNINGAR TILL Matematisk statistik, Matematikcetrum Tetame: 5 kl 8 Luds tekiska högskola FMS, FMS, FMS, FMS 5, MAS 9 Matematisk statistik för ED, F, I, FED och fysiker. a Eftersom X och Y har samma fördelig
Läs merGenomsnittligt sökdjup i binära sökträd
Iformatiostekologi Tom Smedsaas 10 augusti 016 Geomsittligt sökdjup i biära sökträd Detta papper visar att biära sökträd som byggs upp av slumpmässiga data är bra. Beteckigar och defiitioer Defiitio De
Läs mera) Beräkna E (W ). (2 p)
Avd. Matematisk statistik TENTAMEN I SF19 och SF191 SANNOLIKHETSTEORI OCH STATISTIK, TISDAGEN DEN 13:E MARS 18 KL 8. 13.. Examiator: Björ-Olof Skytt, 8 79 86 49. Tillåta hjälpmedel: Formel- och tabellsamlig
Läs merFlera kvantifierare Bevis Direkt bevis Motsägelse bevis Kontrapositivt bevis Fall bevis Induktionsprincipen. x y (x > 0) (y > 0) xy > 0 Domän D = R
Föreläsning Flera kvantifierare Bevis Direkt bevis Motsägelse bevis Kontrapositivt bevis Fall bevis Induktionsprincipen För att göra ett påstående av en öppen utsaga med flera variabler behövs flera kvantifierare.
Läs merSANNOLIKHETER. Exempel. ( Tärningskast) Vi har sex möjliga utfall 1, 2, 3, 4, 5 och 6. Därför är utfallsrummet Ω = {1, 2, 3, 4, 5,6}.
rmi Halilovic: EXTR ÖVIGR SOLIKHETER GRUDLÄGGDE BEGRE OH BETEKIGR Utfall Resultat av ett slumpmässigt försök. Utfallsrummet ägde av alla utfall (beteckas oftast med Ω ). Hädelse E delmägd av utfallsrummet.
Läs mer(a) Skissa täthets-/frekvensfunktionen och fördelningsfunktionen för X. Glöm inte att ange värden på axlarna.
1 0,5 0 LÖSNINGAR till tetame: Statistik och saolikhetslära (LMA120) Tid och plats: 08:30-12:30 de 6 april 2016 Hjälpmedel: Typgodkäd miiräkare, formelblad Betygsgräser: 3: 12 poäg, 4: 18 poäg, 5: 24 poäg.
Läs merTATA42: Föreläsning 10 Serier ( generaliserade summor )
TATA42: Föreläsning 0 Serier ( generaliserade summor ) Johan Thim 5 maj 205 En funktion s: N R brukar kallas talföljd, och vi skriver ofta s n i stället för s(n). Detta innebär alltså att för varje heltal
Läs merSveTys. Affärskultur i Tyskland. Vad är det? Och vad ska jag tänka på?
SveTys Affärskultur i Tysklad Vad är det? Och vad ska jag täka på? 2 Affärskultur i Tysklad Vad är det? Och vad ska jag täka på? 2008 SveTys, Uta Schulz, Reibek 3 Iledig När ma gör affärer i Tysklad eller
Läs merTentamen i Sannolikhetsteori III 13 januari 2000
STOCKHOLMS UNIVERSITET MATEMATISK STATISTIK Louise af Klitberg Lösigar Tetame i Saolikhetsteori III 13 jauari 2000 Uppgift 1 a) Det mest detaljerade utfallsrummet är med uppebara beteckigar Ω = {(B1, B2),
Läs merF19 HYPOTESPRÖVNING (NCT ) Hypotesprövning för en differens mellan två medelvärden
Stat. teori gk, ht 006, JW F19 HPOTESPRÖVNING (NCT 11.1-11.) Hypotesprövig för e differes mella två medelvärde Samma beteckigar som vid kofidesitervall för differes mella två populatiosmedelvärde: Medelvärde
Läs merDatabaser - Design och programmering. Programutveckling. Programdesign, databasdesign. Kravspecifikation. ER-modellen. Begrepps-modellering
Databaser desig och programmerig Desig processe ER-modellerig Programutvecklig Förstudie, behovsaalys Programdesig, databasdesig Implemetatio Programdesig, databasdesig Databasdesig Koceptuell desig Koceptuell
Läs merWebprogrammering och databaser. Begrepps-modellering. Exempel: universitetsstudier Kravspec. ER-modellen. Exempel: kravspec forts:
Webprogrammerig och databaser Koceptuell datamodellerig med Etitets-Relatiosmodelle Begrepps-modellerig Mål: skapa e högivå-specifikatio iformatiosiehållet i database Koceptuell modell är oberoede DBMS
Läs merTAIU07 Matematiska beräkningar med Matlab
TAIU07 Matematiska beräkningar med Matlab Datorlektion 2. Villkor och Repetition 1 Logiska uttryck Uppgift 1.1 Låt a=3 och b=6 Vad blir resultatet av testerna ab? Uppgift 1.2 Låt a, b,
Läs merFORMELSAMLING MATEMATISK STATISTIK, FMS601. Fördelning Väntevärde Varians. p x (1 p) n x x = 0, 1,..., n np np(1 p) ) x = 0, 1,..., n np.
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK FORMELSAMLING MATEMATISK STATISTIK, FMS601 Valiga fördeligar Fördelig Vätevärde Varias Biomialfördelig, Bi (, p ) P (X = x) = ( x) p x (1 p)
Läs merUppgift 2 Betrakta vädret under en följd av dagar som en Markovkedja med de enda möjliga tillstånden. 0 = solig dag och 1 = regnig dag
Avd. Matematisk statistik TENTAMEN I SF904 MARKOVPROCESSER MÅNDAGEN DEN 26 AUGUSTI 203 KL 08.00 3.00. Examinator: Gunnar Englund tel. 073 32 37 45 Tillåtna hjälpmedel: Formel- och tabellsamling i Matematisk
Läs merFöreläsning 2: Punktskattningar
Föreläsig : Puktskattigar Joha Thim joha.thim@liu.se 7 augusti 08 Repetitio Stickprov Defiitio. Låt de stokastiska variablera X, X,..., X vara oberoede och ha samma fördeligsfuktio F. Ett stickprov x,
Läs merTentamen i Statistik, STA A13 Deltentamen 2, 5p 24 januari 2004, kl. 09.00-13.00
Karlstads universitet Institutionen för informationsteknologi Avdelningen för statistik Tentamen i Statistik, STA A13 Deltentamen, 5p 4 januari 004, kl. 09.00-13.00 Tillåtna hjälpmedel: Ansvarig lärare:
Läs merFöreläsning G70, 732G01 Statistik A. Föreläsningsunderlagen är baserade på underlag skrivna av Karl Wahlin
Föreläsig 6 732G70, 732G01 Statistik A Föreläsigsuderlage är baserade på uderlag skriva av Karl Wahli Kapitel 6 Iferes om e populatio Sid 151-185 Puktskattig och itervallskattig Statistisk iferes om populatiosmedelvärde
Läs merLösning till tentamen för kursen Log-linjära statistiska modeller 29 maj 2007
STOCKHOLMS UNIVERSITET MS 3150 MATEMATISKA INSTITUTIONEN TENTAMEN Avd. Matematisk statistik 29 maj 2007 Lösig till tetame för kurse Log-lijära statistiska modeller 29 maj 2007 Uppgift 1 a Modelle uta ågra
Läs merb) Bestäm det genomsnittliga antalet testade enheter, E (X), samt även D (X). (5 p)
Avd Matematisk statistik TENTAMEN I SF922, SF923 och SF924 SANNOLIKHETSTEORI OCH STATISTIK, TISDAGEN DEN 29:E MAJ 208 KL 0800 300 Examiator för SF922/SF923: Tatjaa Pavleko, 08-790 84 66 Examiator för SF924:
Läs merMA2018 Tillämpad Matematik III-Statistik, 3.5hp,
MA018 Tillämpad Matematik III-Statistik,.hp, 018-0-1 Hjälpmedel: Pea, radergummi och lijal. Räkedosa och medföljade formelsamlig är tillåte! Tetame består av 0 frågor! Edast Svarsblakette ska lämas i!
Läs merENDIMENSIONELL ANALYS B1 FÖRELÄSNING VI. Föreläsning VI. Mikael P. Sundqvist
Föreläsig VI Mikael P. Sudqvist Aritmetisk summa, exempel Exempel I ett sällskap på 100 persoer skakar alla persoer had med varadra (precis e gåg). Hur måga hadskakigar sker? Defiitio I e aritmetisk summa
Läs merKONSEKVENSANALYS 1 (5) INDIVID ALT ORGANISATION (markera vad bedömningen avser)
KONSEKVENSANALYS 1 (5) INDIVID ALT ORGANISATION (markera vad bedömige avser) Orgaisatio Faktorer att bedöma Påverkar förädrige? Kosekves av förädrige Kosekvesbeskrivig Åtgärdsförslag Asv. sig Klart datum
Läs merSannolikheten. met. A 3 = {2, 4, 6 }, 1 av 11
rmi Halilovic: EXTR ÖVIGR SOLIKHETER GRUDLÄGGDE EGRE OH ETEKIGR Utfall Resultat av ett slumpmässigt försök. Utfallsrummet ägde av alla utfall (beteckas oftast medd Ω ). Hädelse E delmägd av utfallsrumm
Läs merHambley avsnitt 12.7 (även 7.3 för den som vill läsa lite mer om grindar)
1 Föreläsig 6, Ht 2 Hambley avsitt 12.7 (äve 7.3 för de som vill läsa lite mer om gridar) Biära tal Vi aväder ormalt det decimala talsystemet, vilket har base 10. Talet 2083 rereseterar då 2 10 3 0 10
Läs mer