Matematisk statistik för D, I, Π och Fysiker
|
|
- Georg Larsson
- för 4 år sedan
- Visningar:
Transkript
1 Mtemtisk sttistik för D, I, Π och Fysiker Föreläsning 3 John Lindström september 28 John Lindström - johnl@mths.lth.se FMSF45/MASB3 F3 /3 Repetition Stokstisk vribel Väntevärde & Vrins Diskret fördelningr Kontinuerlig fördelningr Funktioner v en stokstisk vribel Simulering Mtlb John Lindström - johnl@mths.lth.se FMSF45/MASB3 F3 2/3 Stokstisk vribel E(X) & V(X) Repetition Stokstisk vribel Väntevärde & Vrins Diskret fördelningr Kontinuerlig fördelningr Funktioner v en stokstisk vribel Simulering Mtlb John Lindström - johnl@mths.lth.se FMSF45/MASB3 F3 3/3
2 Stokstisk vribel E(X) & V(X) Stokstisk vribel (Def. 3.) En stokstisk vribel är ett tl vrs värde styrs v slumpen (en funktion X(ω) : Ω R). Kn vr diskret eller kontinuerlig Snnolikhetsfunktion För en diskret s.v. X p X (k) = P(X = k) Täthetsfunktion För en kontinuerlig s.v X hr vi f X. P(X A) = f X dx Fördelningsfunktion Summ v p X (k) eller integrl v f X. A F X = P(X x) John Lindström - johnl@mths.lth.se FMSF45/MASB3 F3 4/3 Stokstisk vribel E(X) & V(X) Fördelningsfunktion (Kp. 3.3, 3.5, 3.7) Diskret b P( < X b) = p X(k) P( < X b) = F X(b) F X() k=+ p X (k) F X P( < X b) = b b k k b f X dx Kontinuerligt P( < X b) = F X(b) F X() f X F X b x b x John Lindström - johnl@mths.lth.se FMSF45/MASB3 F3 5/3 Stokstisk vribel E(X) & V(X) Väntevärde (Def. 5.) Det värde som fås i medeltl { k E(X) = kp X(k) Diskr. xf X dx Kont. Vrins (Def. 5.2) Hur utspridd är X kring E(X) [ ] } 2 V(X) = E{ X E(X) = E(X 2 ) E(X) 2 Stndrdvvikelse (Def. 5.3) D(X) = V(X) Kvntil (Def. 3.7) Gräns som överskrids med slh. α. F X (x α ) = α John Lindström - johnl@mths.lth.se FMSF45/MASB3 F3 6/3
3 Stokstisk vribel E(X) & V(X) Kontinuerlig stokstisk vribel Antg tt X hr täthetsfunktionen f X = 2e 2x, x. Bestäm: 5. Väntevärdet E(X). 6. Vrinsen V(X). 7. Beräkn kvntilen x α som funktion v α. John Lindström - johnl@mths.lth.se FMSF45/MASB3 F3 7/3 Diskret Kontinuerlig Repetition Stokstisk vribel Väntevärde & Vrins Diskret fördelningr Kontinuerlig fördelningr Funktioner v en stokstisk vribel Simulering Mtlb John Lindström - johnl@mths.lth.se FMSF45/MASB3 F3 8/3 Diskret Kontinuerlig Diskret fördelningr (Kp. 3.4) Bernoulli-fördelning ffg-fördelning Geometrisk fördelning Binomilfördelning Poissonfördelning Kontinuerlig fördelningr (Kp. 3.6) Rektngel- eller likformig fördelning Exponentilfördelning Normlfördelning John Lindström - johnl@mths.lth.se FMSF45/MASB3 F3 9/3
4 Diskret Kontinuerlig Bernoulli-fördelning (Kp. 3.4b) Förekomst: Slumpmässigt försök med två utfll (/) Snnolikhetsfunktion: Egenskper: p X (k) = { p om k = p om k = E(X) = p V(X) = p( p) John Lindström - johnl@mths.lth.se FMSF45/MASB3 F3 /3 Diskret Kontinuerlig ffg-fördelning (Kp. 3.4d) Beteckning: X ffg(p) Förekomst: Försöket med händelsen A uppreps oberoende, där P(A) = p. X = Antl försök tills A inträffr för först gången. Snnolikhetsfunktion: p X (k) = p( p) k, k =, 2,... Egenskper: E(X) = p V(X) = p p 2 John Lindström - johnl@mths.lth.se FMSF45/MASB3 F3 /3 Diskret Kontinuerlig Geometrisk fördelning (Kp. 3.4e) Beteckning: X Ge(p) Förekomst: Försöket med händelsen A uppreps oberoende, där P(A) = p. X = Antl försök innn A inträffr. Snnolikhetsfunktion: p X (k) = p( p) k, k =,,... Egenskper: E(X) = p p X = Y Ge(p) V(X) = p p 2 om Y ffg(p) John Lindström - johnl@mths.lth.se FMSF45/MASB3 F3 2/3
5 Diskret Kontinuerlig Binomilfördelning (Kp. 3.4f, 7.2) Beteckning: X Bin (n, p) Förekomst: En händelse A med P(A) = p uppreps n oberoende gånger. X = Antlet gånger som A inträffr. Snnolikhetsfunktion: Egenskper: p X (k) = ( ) n p k ( p) n k, k k =,,..., n E(X) = np V(X) = np( p) n X = Y i Bin (n, p) om Y i Be(p), oberoende i= John Lindström - johnl@mths.lth.se FMSF45/MASB3 F3 3/3 Diskret Kontinuerlig Binomilfördelning X Bin (2, p) p = p =.3 p = p = p = p =.95 2 John Lindström - johnl@mths.lth.se FMSF45/MASB3 F3 4/3 Diskret Kontinuerlig Poissonfördelning (Kp. 3.4h, 7.4) Beteckning: X Po (μ) Förekomst: Räknr ntl händelser under en tidsperiod. Ex. Antl sönderfll (rdioktivitet) under h. Antl nrop till en server per sekund. Antl rtiklr som efterfrågs per månd. Snnolikhetsfunktion: p X (k) = e μ μk k! k =,,... Egenskper: E(X) = μ V(X) = μ John Lindström - johnl@mths.lth.se FMSF45/MASB3 F3 5/3
6 Poissonfördelning Diskret Kontinuerlig X Po (μ) µ = µ = 2.4 µ = µ = x 3 µ = x 3 µ = John Lindström - johnl@mths.lth.se FMSF45/MASB3 F3 6/3 Diskret Kontinuerlig Vilken stndrdfördelning är lämplig? Vi observer väljre som nländer till en vllokl. Under ntgnde om oberoende beteende hos väljrn; vilk fördelningr är lämplig för tt beskriv följnde fll:. Snnolikheten tt en slumpmässig väljre är pensioner? 2. Antlet v de först väljrn som är studenter? 3. Antlet väljre innn vi ser den först studenten? 4. Totlt ntl väljre under timme? 5. Antlet väljre till och med (inklusive) den först pensionären? John Lindström - johnl@mths.lth.se FMSF45/MASB3 F3 7/3 Rektngel- eller likformig fördelning Diskret Kontinuerlig (Kp. 3.6) Beteckning: X R(, b) eller X U (, b) (eng. uniform) Täthetsfunktion: /(b ) f X = { b f.ö. x b Egenskper: b E(X) = + b 2 V(X) = (b )2 2 John Lindström - johnl@mths.lth.se FMSF45/MASB3 F3 8/3
7 Exponentilfördelning Diskret Kontinuerlig (Kp. 3.6b) f X Beteckning: X Exp (λ) eller X Γ (, λ) Förekomst: Tid melln två händelser. Täthetsfunktion: λ = 2 λ = λ = /2 λ = /4 f X = { λe λx x x < x Egenskper: E(X) = λ V(X) = λ 2 I blnd (t.ex. i Mtlb) nvänds Exp (μ) där μ = /λ. John Lindström - johnl@mths.lth.se FMSF45/MASB3 F3 9/3 Diskret Kontinuerlig Normlfördelning (Kp. 3.6c, 6) Beteckning: X N (μ, σ) iblnd N ( μ, σ 2) Täthetsfunktion: f X = (x μ)2 e 2σ 2, < x < 2πσ 2.5 µ = 4 5 σ = 2 σ = f X f X µ = µ = σ = x x Egenskper: E(X) = μ V(X) = σ 2 John Lindström - johnl@mths.lth.se FMSF45/MASB3 F3 2/3 Diskret Kontinuerlig Fördelningsfunktionen N (, ) (Kp. 6.3) Φ = F X = x 2π e t2 2 dt där Φ räkns ut numeriskt eller fås från tbell. John Lindström - johnl@mths.lth.se FMSF45/MASB3 F3 2/3
8 Repetition Stokstisk vribel Väntevärde & Vrins Diskret fördelningr Kontinuerlig fördelningr Funktioner v en stokstisk vribel Simulering Mtlb John Lindström - johnl@mths.lth.se FMSF45/MASB3 F3 22/3 Funktioner v en stokstisk vribel (Kp. 3.) Givet en s.v. X. Vilken fördelning får Y = g(x)? Kontinuerlig stokstisk vribel. Sätt upp F Y (y) = P(Y y) = P(g(X) y). 2. Lös ut F Y (y) som funktion v F X (y). 3. Deriver för tt få f Y (y) som funktion v f X (y) Diskret stokstisk vribel (Kp. 3.b) (Kp. 3.) Snnolikhetsfunktionen fås genom tt lägg ihop ll p X (j) där g(j) = k p Y (k) = p X (j) j:g(j)=k John Lindström - johnl@mths.lth.se FMSF45/MASB3 F3 23/3 : Funktioner v en stokstisk vribel. Vilken täthetsfunktion hr Y = + bx om X hr täthet f X? 2. Vilken täthetsfunktion hr Y = πx 2 om X R(, )? 3. Bestäm p Y (k) om Y = X 4 och k 2 2 p X (k) Vilken fördelning får mn om mn stoppr in en kont. s.v. X i sin egen fördelningsfunktion F X? 5. Vilken fördelning får mn om mn stoppr in X R(, ) i inversen till fördelningsfunktionen för en kont. s.v. Y? dvs Z = F Y (X). John Lindström - johnl@mths.lth.se FMSF45/MASB3 F3 24/3
9 Stndrdiserd Normlfördelning (Kp. 6.3) Om X N (μ, σ), med E(X) = μ och V(X) = σ 2, så är med kvntil X μ σ N (, ) x α = μ + σλ α : Om X N (3, 4) beräkn. P(X > 2) 2. 5%-Kvntilen x.5 John Lindström - johnl@mths.lth.se FMSF45/MASB3 F3 25/3 Mtlb Repetition Stokstisk vribel Väntevärde & Vrins Diskret fördelningr Kontinuerlig fördelningr Funktioner v en stokstisk vribel Simulering Mtlb John Lindström - johnl@mths.lth.se FMSF45/MASB3 F3 26/3 Mtlb Simulering Pseudoslumptl (Kp. 8) Pseudoslumptl är tl som generers enligt en lgorithm men ser slumpmässig ut Hr rätt fördelning Lång periodicitet Oberoende Snbb tt beräkn De flest progrmspråk tillhndhåller R(, )-slumptl. rnd och unifrnd i MATLAB rnd i C/C++ Rndom i Jv Mersenne twister (en.wikipedi.org/wiki/mersenne_twister) är nu mer stndrd i de flest progrmspråk (MT9937). John Lindström - johnl@mths.lth.se FMSF45/MASB3 F3 27/3
10 Mtlb funktioner Mtlb Generer slumptl, täthetsfunktioner, etc. exprnd Generer Exponentil slumptl exppdf Täthetsfunktion (probbility density function). expcdf Fördelningsfunktion (cumultive distribution function). expinv Invers till fördelningsfunktion (percentil) bino... Binomilfördelning poiss... Poissonfördelning geo... Geometrisk fördelning unif... Rektngel- eller likformig fördelning exp... Exponentilfördelning norm... Normlfördelning John Lindström - johnl@mths.lth.se FMSF45/MASB3 F3 28/3 Mtlb Hur drr vi slumptl från en godtycklig kontinuerlig s.v. med fördelningsfunktion F Y (y)? (Kp. 8.4). Räkn ut F Y (y) 2. Dr slumptl från en X R(, )-fördelning. 3. Beräkn Y = F (X) för vrje slumptl. Y FMSN5/MASM Monte Crlo-bserde sttistisk metoder John Lindström - johnl@mths.lth.se FMSF45/MASB3 F3 29/3 Mtlb Kontinuerlig fördelning Exp (2).8.6 f X Önskd täthet.5 f Y (y) F Y (y) Önskde slumptl John Lindström - johnl@mths.lth.se FMSF45/MASB3 F3 3/3
11 Diskret fördelning Ge(.3) Mtlb Önskd snnolikhetsfunktion Önskde slumptl John Lindström - johnl@mths.lth.se FMSF45/MASB3 F3 3/3
Matematisk statistik för B, K, N, BME och Kemister
Mtemtisk sttistik för B, K, N, BME och Kemister Föreläsning 2 John Lindström 3 ugusti 217 John Lindström - johnl@mths.lth.se FMSF7/MASB2 F1 1/22 Grundläggnde begrepp Stokstisk vribel Snnolikhetsfunktion
Läs merDiskreta stokastiska variabler
Definitioner: Diskret stokstisk vribler Utfllet i ett slumpmässigt försök i form v ett reellt tl, betrktt innn försöket utförts, klls för stokstisk vribel eller slumpvribel (oft betecknd ξ, η ) Ett resultt
Läs 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 merMatematisk statistik för B, K, N, BME och Kemister. Matematisk statistik slumpens matematik. Exempel: Utsläpp från Källby reningsverk.
Mtemtisk sttistik för B, K, N, BME och Kemister Föreläsning 1 John Lindström 1 september 2014 John Lindström - johnl@mths.lth.se FMS086/MASB02 F1 2/26 Exempel Tillämpningr Signlbehndling Mtemtisk sttistik
Läs merMatematisk statistik 9 hp Föreläsning 3: Transformation och simulering
Matematisk statistik 9 hp Föreläsning 3: Transformation och simulering Anna Lindgren 8+9 september 216 Anna Lindgren - anna@maths.lth.se FMS12/MASB3: transform 1/11 Stokastisk variabel Kvantil Stokastisk
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 merGrundläggande matematisk statistik
Grundläggnde mtemtisk sttistik Diskret och kontinuerlig slumpvribler Uwe Menzel, 208 uwe.menzel@slu.se; uwe.menzel@mtstt.de www.mtstt.de Diskret och kontinuerlig slumpvribler Slumpvribel (s.v.): vribel
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 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 merFöreläsningsmanus i matematisk statistik för lantmätare, vecka 3 och 4 HT07
Föreläsningsmnus i mtemtisk sttistik för lntmätre, veck 3 och 4 HT07 Bengt Ringnér September 5, 2007 Inledning Dett är preliminärt undervisningsmteril. Synpunkter är välkomn. 2 Stokstisk vribler En stokstisk
Läs merKontinuerliga variabler
Kontinuerlig vribler c 005 Eric Järpe Högskoln i Hlmstd Antg tt vi kunde mät med oändligt stor noggrnnhet hur stor strömstyrk en viss typ v motstånd klrr. Ing mätningr skulle då vr exkt lik. Om vi mätte
Läs merMatematisk statistik för D, I, Π och Fysiker
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
Läs merFöreläsning 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 merMS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I
MS-A0509 Grundkurs i snnolikhetsklkyl och sttistik Smmnfttning, del I G. Gripenerg Alto-universitetet 6 feruri 2015 1 Snnolikheter Oeroende Betingd snnolikhet Byes formel Klssisk snnolikhet och komintorik
Läs 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 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 merIntegraler och statistik
Föreläsning 8 för TNIU Integrler och sttistik Krzysztof Mrcinik ITN, Cmpus Norrköping, krzm@itn.liu.se www.itn.liu.se/krzm ver. 4 - --8 Inledning - lite om sttistik Sttistik är en gren v tillämpd mtemtik
Läs 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 merFöreläsning 4, Matematisk statistik för M
Föreläsning 4, Matematisk statistik för M Erik Lindström 1 april 2015 Erik Lindström - erikl@maths.lth.se FMS012 F4 1/19 Binomialfördelning Beteckning: X Bin(n, p) Förekomst: Ett slumpmässigt försök med
Läs merStokastiska variabler
Kpitel 4 Stokstisk vribler Ett utfll v ett slumpmässigt försök är oft sådnt som inte direkt kn mäts. T.ex. försöket Kst med ett symmetriskt mynt hr utfllsrummet {kron, klve}. För tt kvntittivt nlyser försök
Läs 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 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 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 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 mer(x) = F X. och kvantiler
Föreläsning 5: Matstat AK för M, HT-8 MATEMATISK STATISTIK AK FÖR M HT-8 FÖRELÄSNING 5: KAPITEL 6: NORMALFÖRDELNINGEN EXEMPEL FORTKÖRARE Man har mätt hastigheten på 8 bilar som passerade en korsning i
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 merFöreläsning 2 (kap 3): Diskreta stokastiska variabler
Föreläsning 2 (kap 3): Diskreta stokastiska variabler Marina Axelson-Fisk 20 april, 2016 Idag: Diskreta stokastiska (random) variabler Frekvensfunktion och fördelningsfunktion Väntevärde Varians Några
Läs 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: 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 merSOS HT Slumpvariabler Diskreta slumpvariabler Binomialfördelning. Sannolikhetsfunktion. Slumpförsök.
Probability 21-9-24 SOS HT1 Slumpvariabler Slumpvariabler Ett slumpmässigt försök ger ofta upphov till ett tal som bestäms av utfallet av försöket. Talet är alltså inte känt före försöket; det bestäms
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 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 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 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 merStatistiska metoder för säkerhetsanalys
F3: Slumpvariaber och fördelningar Diskret Kontinuerlig Slumpvariabler Slumpvariabler = stokastiska variabler = random variables = s.v. Heter ofta X, Y, T. Diskreta kan anta ändligt eller uppräkneligt
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 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 merSF1625 Envariabelanalys
SF1625 Envribelnlys Föreläsning 13 Institutionen för mtemtik KTH 27 september 2017 SF1625 Envribelnlys Anmäl er till tentn Anmäl er till tentn nu. Det görs vi min sidor. Om det inte går, mejl studentexpeditionen
Läs 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 merGrundläggande matematisk statistik
Grundläggande matematisk statistik Diskreta fördelningar Uwe Menzel, 2018 www.matstat.de Begrepp fördelning Hur beter sig en variabel slumpmässigt? En slumpvariabel (s.v.) har en viss fördelning, d.v.s.
Läs merFöreläsning 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 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 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 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 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 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 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 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 merKurskod: TAMS11 Provkod: TENB 12 June 2014, 14:00-18:00. English Version
Kurskod: TAMS Provkod: TENB 2 June 204, 4:00-8:00 Exmintor/Exminer: Xingfeng Yng (Tel: 070 2234765). You re permitted to bring: clcultor; formel -och tbellsmling i mtemtisk sttistik (from MAI); TAMS :
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 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 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 merReliability analysis in engineering applications
Relibility nlysis in engineering pplictions Etremvärdesfördelningr Mimum och minimum Structurl Engineering - Lund University 1 Etremvärdesfördelningr Vrible lod, q Mvärdet under referensperioden Q 1 Q
Läs merGeneraliserade integraler
Generliserde integrler Mtemtik Breddning 2.5 Frm till denn punkt hr vi endst studert integrler där funktionen som skll integrers vrit begränsd. Dessutom hr det intervll över vilket vi integrerr vrit begränst
Läs merf(x)dx definieras som arean av ytan som begränsas av y = f(t), y = 0, t = a och t = b, se figur.
Föreläsning. Integrl En förenkl efinition Antg tt f(x) å x b och tt f(x) är kontinuerlig är. Den bestäm integrlen b f(x)x efiniers som ren v ytn som begränss v y = f(t), y =, t = och t = b, se figur. Insättningsformeln
Läs merMATEMATISK STATISTIK I FORTSÄTTNINGSKURS. Tentamen måndagen den 17 oktober 2016 kl 8 12
Kurskod: TAMS65 Provkod: TEN MATEMATISK STATISTIK I FORTSÄTTNINGSKURS Tentmen måndgen den 7 oktober 206 kl 8 2 Hjälpmedel: Formelsmling i mtemtisk sttistik utgiven v mtemtisk institutionen och/eller formelsmling
Läs merTillämpning - Ray Tracing och Bézier Ytor. TANA09 Föreläsning 3. Icke-Linjära Ekvationer. Ekvationslösning. Tillämpning.
TANA09 Föreläsning 3 Tillämpning - Ry Trcing och Bézier Ytor z = B(x, y) q o Ekvtionslösning Tillämpning Existens Itertion Konvergens Intervllhlveringsmetoden Fixpuntsitertion Newton-Rphsons metod Anlys
Läs merFöresläsningsanteckningar Sanno II
STOCKHOLMS UNIVERSITET FANT MATEMATISKA INSTITUTIONEN Snno II Mtemtisk sttistik 13 oktober 1997 Esbjörn Ohlsson Föresläsningsnteckningr Snno II 1 Gmmfunktionen I fler v vår vnlig snnolikhetsfördelningr
Läs merMATEMATIKPROV, LÅNG LÄROKURS BESKRIVNING AV GODA SVAR
MATEMATIKPROV, LÅNG LÄROKURS 905 BESKRIVNING AV GODA SVAR De beskrivningr v svrens innehåll och poängsättningr som ges här är inte bindnde för studentexmensnämndens bedömning Censorern beslutr om de kriterier
Läs merSF1901 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 merGrundläggande matematisk statistik
Grundläggande matematisk statistik Väntevärde, varians, standardavvikelse, kvantiler Uwe Menzel, 28 uwe.menzel@slu.se; uwe.menzel@matstat.de www.matstat.de Väntevärdet X : diskret eller kontinuerlig slumpvariable
Läs 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 merSatsen om total sannolikhet och Bayes sats
Satsen om total sannolikhet och Bayes sats Satsen om total sannolikhet Ibland är det svårt att direkt räkna ut en sannolikhet pga att händelsen är komplicerad/komplex. Då kan man ofta använda satsen om
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 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 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 merIntegraler. 1 Inledning. 2 Beräkningsmetoder. CTH/GU LABORATION 2 MVE /2013 Matematiska vetenskaper
CTH/GU LABORATION MVE6 - / Mtemtisk vetenskper Inledning Integrler Iblnd kn mn inte bestämm integrler exkt utn mn får nöj sig med tt beräkn pproximtioner. T.ex. e x dx kn inte beräkns exkt, eftersom det
Läs mer4.2.1 Binomialfördelning
Ex. Kasta en tärning. 1. Vad är sannolikheten att få en 6:a? 2. Vad är sannolikheten att inte få en 6:a? 3. Vad är sannolikheten att få en 5:a eller 6:a? 4. Om vi kastar två gånger, vad är då sannolikheten
Läs 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 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 mer4.1 Grundläggande sannolikhetslära
4.1 Grundläggande sannolikhetslära När osäkerhet förekommer kan man aldrig uttala sig tvärsäkert. Istället använder vi sannolikheter, väntevärden, standardavvikelser osv. Sannolikhet är ett tal mellan
Läs 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 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 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 merSF1625 Envariabelanalys
Modul 5: Integrler Institutionen för mtemtik KTH 30 november 4 december Integrler Integrler är vd vi sk håll på med denn veck och näst. Vi kommer tt gör följnde: En definition v vd begreppet betyder En
Läs 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 merIntegralen. f(x) dx exakt utan man får nöja sig med att beräkna
CTH/GU STUDIO TMVb - / Mtemtisk vetenskper Integrlen Anlys och Linjär Algebr, del B, K/Kf/Bt Inledning Mn kn inte lltid bestämm integrler f() d ekt utn mn får nöj sig med tt beräkn pproimtioner. T.e. e
Läs merFöreläsning 8 för TNIU23 Integraler och statistik
Föreläsning 8 för TNIU Integraler och statistik Krzysztof Marciniak ITN, Campus Norrköping, krzma@itn.liu.se www.itn.liu.se/ krzma ver. - 9--6 Inledning - lite om statistik Statistik är en gren av tillämpad
Läs merFÖRELÄSNING 4:
FÖRELÄSNING 4: 26-4-9 LÄRANDEMÅL Poissonfördelning Kontinuerliga slumpvariabler Kontinuerlig uniform fördelning Exponentialfördelning Samla in data Sammanställ data Gissa modell för datan Testa modellen
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 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 merSF1901: Sannolikhetslära och statistik. Mer om Approximationer
SF1901: Sannolikhetslära och statistik Föreläsning 7.A Mer om Approximationer Jan Grandell & Timo Koski 10.02.2012 Jan Grandell & Timo Koski () Matematisk statistik 10.02.2012 1 / 21 Repetition CGS Ofta
Läs merLINJÄR ALGEBRA II LEKTION 1
LINJÄR ALGEBRA II LEKTION JOHAN ASPLUND INNEHÅLL. VEKTORRUM OCH DELRUM Hel kursen Linjär Algebr II hndlr om vektorrum och hur vektorrum (eller linjär rum, som de iblnd klls) beter sig. Tidigre hr mn ntgligen
Läs merFinansiell Statistik (GN, 7,5 hp,, VT 2009) Föreläsning 2. Diskreta Sannolikhetsfördelningar. (LLL Kap 6) Stokastisk Variabel
Finansiell Statistik (GN, 7,5 hp,, VT 009) Föreläsning Diskreta (LLL Kap 6) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics (Basic-level course, 7,5 ECTS,
Läs merSimulering av elmarknader. EG2205 Föreläsning 11, vårterminen 2016 Mikael Amelin
Simulering av elmarknader EG2205 Föreläsning 11, vårterminen 2016 Mikael Amelin 1 Kursmål Tillämpa stokastisk produktionskostnadssimulering och Monte Carlo-simulering för att beräkna förväntad driftkostnad
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 merFöreläsning 8, Matematisk statistik 7.5 hp för E, HT-15 Punktskattningar
Föreläsning 8, Matematisk statistik 7.5 hp för E, HT-15 Punktskattningar Anna Lindgren 25 november 2015 Anna Lindgren anna@maths.lth.se FMSF20 F8: Statistikteori 1/17 Matematisk statistik slumpens matematik
Läs merAnalys grundkurs B lab 1. Stefan Gustafsson Per Jönsson Fakulteten för Teknik och Samhälle, 2013
Anlys grundkurs B lb 1 Stefn Gustfsson Per Jönsson Fkulteten för Teknik och Smhälle, 13 1 Viktig informtion om lbortionern Lbortionsdelen på kursen i kursen Anlys grundkurs B exminers genom tt mn gör två
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 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 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 merMatematiska uppgifter
Element Årgång 59, 976 Årgång 59, 976 Först häftet 3020. Lös på enklste sätt ekvtionssystemet (Svr: x = v = 2 och y = u = 2) x + 7y + 3v + 5u = 6 8x + 4y + 6v + 2u = 6 2x + 6y + 4v + 8u = 6 5x + 3y + 7v
Läs merSF1900 Sannolikhetsteori och statistik, HT 2017 Laboration 1 för CINEK2
Matematisk Statistik SF1900 Sannolikhetsteori och statistik, HT 2017 Laboration 1 för CINEK2 1 Introduktion Denna laboration är inte poänggivande utan är till för den som vill bekanta sig med MATLAB. Fokusera
Läs merMS-A0509 Grundkurs i sannolikhetskalkyl och statistik Exempel, del I
MS-A Grundkurs i sannolikhetskalkyl och statistik Exempel, del I G Gripenberg Aalto-universitetet januari G Gripenberg (Aalto-universitetet) MS-A Grundkurs i sannolikhetskalkyl och statistikexempel, del
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 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 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 mer