Tillämpad Matematik III Övningar i Statistik
|
|
- Viktor Sundqvist
- för 8 år sedan
- Visningar:
Transkript
1 Tillämpad Matematik III Övningar i Statistik (Med reservation för eventuella tryckfel.) Kap. Grundläggande sannolikhetsteori.. Drag utan återlägg gör att det nns 4 = (= m) möjliga och lika troliga utfall att välja 4 st bland. Två olika kategorier: defekta (4 st) och korrekta (6st). a) A 4 = 4 defekta i urvalet. Gynnsamma utfall för A 4 = = och (A 4 ) = enl klassiska def av sannolikhet. Alt lösning. Första draget går att göra på 4 sätt av, andra draget på sätt av 9 osv och (A 4 ) = 4 97 = b) B = först defekta sedan korrekta. Första draget går att göra på 4 sätt av, andra draget på sätt av 9, tredje draget på 6 sätt av, fjärde draget på sätt av 7 och (B) = = 4 c) A = exakt defekta i urvalet. resonerar man som i a).!! 4 6 (A ) =! = 6 = 7 4. Också drag utan återlägg, vilket leder till att det nns = (= m) möjliga utfall att välja på måfå bland. Sedan nns det två kategorier som vi ska välja bland, defekta ( st) och korrekta ( st). a) A = ingen defekt lampa. Gynnsamma utfall för A är g = = och!! (A ) =! = = = :96 4 b) A = exakt en defekt lampa. Gynnsamma utfall för A är g = 4 = och (A ) = 4 = = 4 = :496 c) A = exakt två defekta lampor. (A ) = = = 4 = :996 d) B = högst två defekta lampor. B innebär att man får ingen defekt eller exakt en defekt eller exakt defekta lampor dvs B = A [ A [ A och (B) = (A [ A [ A ) = (A ) + (A ) + (A ) = [oförenliga händelser] = + + = 4 = :7 e) C = minst tre defekta lampor. Detta är komplementhändelsen till B; dvs C = B c och (C) = (B c 4 ) = (B) = = 67 = :66 f) D = minst defekta lampor. D c = högst en defekt lampa och D c = A [ A och (D) = (D c ) = (A [ A ) = [ (A ) + (A )] = = ( + ) = 4 = :664. Drag utan återlägg (igen) men med tre kategorier denna gång. Allvarligt fel (A) st, mindre fel (M) 6 st och
2 felfria (F ) st.!!! 6 a) ( st M och F) =! = 76 b) I denna situation skiljer man inte på A och M utan nu nns det endast kategorier, kassa(k) 9st och felfria (F ) st. Låt A i = exakt i kassa i urvalet) Händelsen minst kassa av är samma som exakt två eller exakt tre kassa (minst kassa av ) = (A [ A ) = 9!!! + 9!!! = = 9 c) Samma som i a) igen.!!! 6 (en av varje) =! = 6 9 = 9 d) Utnyttja b). Ty komplementet till händelsen minst kassa av är högst kass av och (högst kass av ) = (minst kassa av ) = 9 = 9.6 A = acceptera partiet = högst defekt A = A [ A ; där A = ingen defekt och A = exakt en defekt. Vi vet att det nns enheter totalt varav 6 är defekta, vi ska välja fem utan återlägg.!!!! (A) = (A [ A ) = (A ) + (A ) =! + 4! = :97. De nition: Ett utfallsrum är diskret om det är uppräkningsbart(ändligt eller oändligt många utfall). I annat fall är det kontinuerligt. (oändligt många utfall) a) Utfallsrummet är diskret därför att det kan nnas eller eller eller,..., eller defekta kretskort bland undersökta. = fi : i N; i ; g b) Detta är ett exempel på ett kontinuerligt utfallsrum därför att resultatet av en mätning kan bli vilket positivt reellt tal som helst. = R + c) Diskret därför det går att räkna upp utfallsrummet,,,,4,,6,... dvs alla positiva heltal. = Z + d) Kontinuerligt därför att tiden är kontinuerlig och man kan, åtminstone i teorin, få vilket positivt reellt tal som helst. = R +. enligt de nitionen av sannolikhet på s.44 är (A [ B) = (A) + (B) om A och B disjunkta. Detta ger :7 = : + (B) ) (B) = :. och. är ganska tydliga i facit. (Tycker jag..). Utnyttja. och additionssatsen. a) (åtminstone något av felen) = (A [ B) = (A) + (B) (A \ B) = : b) (A men inte B) = (A \ B c ) = (A) (A \ B) = :; (A \ B tar bort det som nns i B) c) (B men inte A) = (A c \ B) = (B) (A \ B) = :; (A \ B tar bort det som nns i A) d) (exakt ett av felen A och B) = ([ A \ B c ] [ [A c \ B]) = (A \ B c ) + (A c \ B) = :
3 Kap. Betingad sannolikhet.. Låt A = Fe-halt > 66.% och B = SiO -halt < 4% (A) = :; (B) = :4 och (A \ B) = :: Vi ska bestämma (Fe-halt > 66.%jSiO -halt < 4%) A j B) = (A\B) (B) = : :4 = :4 9.9 Det nns 6 möjliga utfall i detta spel, kort och sidor, = 6: De möjliga utfallen är R R R R V R R V 4 V V V V 6 upp ned Vi ska beräkna sannolikheten att det är det är rod ned med informationen om att det är rod upp, dvs den betingade sannolikheten (rod ned j rod upp): Eftersom de enda möjliga utfallen med rod upp är utfallen, och 4 så är (rod ned j rod upp) = då av de utfall som är möjliga resulterar i rod ned ": Slutsatsen måste bli att elle inte ska anta utmaningen då sannolikheten att vinna spelet bara är hälften så stor för hans del. Tabellen kan tolkas som ett mängddiagram. A B A \ B A c \ B B c A \ B c A c \ B c Funderar man lite så ser man att A = (A \ B c ) [ (A \ B); dvs (A) = ((A \ B c ) [ (A \ B)) = (A \ B c ) + (A \ B): Man får sannolikheterna för enskilda händelser genom att summera rad- och kolonnvis. Tabellen får följande utseende: BrnCl låg hög låg..9.9 hög Att notera är att högra kolumnen, nedersta raden samt de 4 inre sannolikheterna i tabellen alla summerar sig till. Sannolikheterna ska tolkas så att tex % av alla prover har låg Cl-halt och låg Br-halt. Vidare läser vi i tabellen att 9% av alla burkar har låg Br-halt och % av burkarna har hög Cl-halt vilket är svaren på a) och b). c) (hög Cl-halt givet hög Br-halt) = (hög Cl-halt j hög Br-halt) = : (anv def av betingad sannolikhet) d) Löses pss som c). A c (hög Cl-halt \ hög Br-halt) (hög Br-halt) = :4 :9 =. Lösningen till denna uppgift blir en tillämpning av Bayes formel och totala sannolikhetslagen Låt A = bult tillverkad i maskin A, B = bult tillverkad i maskin B, C = bult tillverkad i maskin C och D = defekt bult. Om man väljer en bult ur produktionen på måfå kan procentsatserna som nns i uppgiften tolkas som (A) = :; (B) = : och (C) = :4: (Notera att summan av sannolikheterna är.) (D j A) = : (% av tillverkningen från A är kass), (D j B) = :4 och (D j C) = :: Nu får man reda på att en slumpvis vald bult är defekt. Frågan är: vad är sannolikheten att denna bult är till verkad i maskin i? Dvs vad är (i j D) =? (A \ D) (A) (D j A) a) (A j D) = = (D) (D) Nu måste vi bestämma hur stor del av produktionen som blir defekt, (D): En defekt bult kan komma från maskin A, B eller C. Om D inträ ar måste A; B eller C inträ a. D = (D \ A) [ (D \ B) [ (D \ C) och (A \ D = D \ A) (D) = (D \ A) + (D \ B) + (D \ C) =
4 (A) (D j A) + (B) (D j B) + (C) (D j C) = : : + : :4 + :4 : = : (A) (D j A) : : (A j D) = = = : drygt % chans att den defekta bulten kommer från A. (D) : b) och c) är löses på samma sätt..4 Denna uppgift löses också mha Bayes formel och totala sannolikhetslagen. Följande gäller: (A) = : (D j A) = :9 där D = driftstid >h (B) = : (D j B) = :97 (C) = : (D j C) = :9 a) (D) = (D \ A) + (D \ B) + (D \ C) = (A) (D j A) + (B) (D j B) + (C) (D j C) = :::: = :96 b) (A j D) = (D\A) (D) = (A) (DjA) (D) = :49. Inför Acc = Acceptera för ytterligare provtagning,acc = Acceptera efter en andra provtagning Avv = Avvisa efter första provtagningen, Avv = Avvisa efter andra provtagningen Acc = Acceptera partiet efter båda provtagningarna, Avv = Avvisa partiet efter eller provtagningar. Dessutom är Acc = Avv c eller Acc c = Avv. Sannolikheten att acceptera partiet för en andra provtagning blir: 4 (Acc ) = = :766 eftersom vi måste välja de bland de 4 korrekta för att acceptera för en andra provtagning. Sannolikheten att partiet accepteras efter en andra kontroll blir 4 (Acc j Acc ) = = :67: Betingningen innebär att vi har plockat bort korrekta (dragning utan återlägg) 4 och måste välja de bland de 4 kvarvarande korrekta. Sannolikheten att acceptera partiet efter båda proven är då (Acc) = (Acc ) (Acc j Acc ) = :766 :67 = : Och komplementsannolikheten till denna är den som söks (Avv) = (Avv c ) = (Acc) = : = :467.6 roblemet kan illustreras i följande träddiagram. gur Inför följande beteckningar: S = sänd, M = mottagen, S = sänd och M = mottagen Sannolikheterna i uppgiften kan nu formuleras som ( S ) = :6; ( S ) = :4; ( M j S ) = :9; ( M j S ) = :99 ( M j S ) = : och ( M j S ) = : 4
5 a) ( S j M ) = ( S \ M ) ( S ) ( M j S ) = ( M ) ( S ) ( M j S ) + ( S ) ( M j S ) = :6 :9 :6 :9 + :4 : = :99 b) (fel tecken) = ( S \ M ) + ( S \ M ) = ( S ) ( M j S ) + ( S ) ( M j S ) = :6 Kap. Oberoende händelser.. Han har fel! Om A och B oberoende är (A \ B) = (A) (B) = : och (A [ B) = (A) + (B) (A \ B) = :4: ersonen har blandat ihop disjunkta händelser med oberoende händelser. Slutsats: disjunkta händelser är beroende!.9 Se ovan!. Låt K = kondensatorfel, B = fel på bildrör. B och K oberoende. (K) = :4 och (B) = : a) (båda felen) = (K \ B) = (K) (B) = :4 : = : b) (minst ett av felen) = (K [ B) = (inget av felen) = (K c \ B c ) = ( :4)( :) = :9. A och B är oberoende händelser samt (A) = :7 och (B) = :: a) Att båda lyckas = A \ B (A och B) och (A \ B) = (A) (B) = :6 b) Minst en av dem lyckas = A [ B (A eller B) och (A [ B) = (A) + (B) (A \ B) = :7 + : :6 = :94 Alt lösning Komplementet till minst en av dem lyckas är ingen lyckas. Alltså är (A [ B) c = A c \ B c : Eftersom A och B är oberoende händelser medför detta att A c och B c också är oberoende händelser. (A [ B) = (A [ B) c = (A c \ B c ) = (A c ) (B c ) = = ( (A)( (B)) = : : = :94.4 Låt A = komponent A trasig och B = komponent B trasig. A och B oberoende händelser. (A) = : och (B) = :: (instrument funkar) = (A c \ B c ) = (A c ) (B c ) = : :7 = :6. Detta ger (instrument funkar inte) = :6 = :44 Inför I i = i st instrument av 4 funkar inte, i = ; ; ; ; 4 I uppgiften frågas efter (minst av 4 instrument funkar inte) = (I [ I [ I 4 ) = (I [ I ): Med hjälp av sats D s6 får vi följande (I i ) = 4 i :44 i :6 4 i ; i = ; ; ; ; 4 (I [ I ) = (I ) + (I ) = 4 :44 : :44 :6 = :47 och (minst av 4 instrument funkar inte) = (I [ I ) = :47 = :9. Komponenterna fungerar oberoende av varandra och alla komponenter har funktionssannolikheten p: Nummerera komponenterna från vänster och den översta först. a) Seriesystem. Systemet fungerar endast om båda komponenterna fungerar. (systemet fungerar) = (K \ K ) = (K ) (K ) = p b) arallellsystem. Systemet fungerar om minst en komponent fungerar. (systemet fungerar) = (K [ K ) = (K ) + (K ) (K \ K ) = p p c) Serie- och parallellsystem. Systemet fungerar om K fungerar och minst en av K och K : (systemet fungerar) = (K \ (K [ K )) = (K ) (K [ K ) = p(p p ) = p p.7 Låt A i = händelsen inträ ar gång i: (A i ) = :: Oberoende upprepningar. a) (minst gång på försök) = (ingen gång på försök)
6 (A [ A [ :::: [ A ) = (A c \ A c \ ::::: \ A c ) = ( :)( :):::::( :) = :99 = :64 {z } faktorer b) (minst gång på n försök) = (ingen gång på n försök) > :, (ingen gång på n försök) : (ingen gång på n försök) = :99 n :99 n ln : : () n ln :99 ln : () n ln :99 = 6:97 ) försöket måste upprepas minst 69 gånger för att sannolikheten ska bli minst % att lyckas minst gång. c) Förutsättningarna är att det är oberoende upprepningar, dvs historien påverkar inte framtiden, oavsett vad som har hänt de 999 första gångerna är sannolikheten. att lyckas den :e gången. (Däremot är sannolikheten att misslyckas 999 gånger i rad väldigt liten, 4:6 :). Se uppgift.! (A) = :6; (B) = :, (C) = :4: A; B och C oberoende händelser. a) (exakt ett av felen) = (A \ B c \ C c ) + (A c \ B \ C c ) + (A c \ B c \ C) = :6 :9 :96 + :94 : :96 + :94 :9 :4 = :7 9 b) (exakt två av felen) = (A \ B \ C c ) + (A \ B c \ C) + (A c \ B \ C) = :6 : :96 + :6 :9 :4 + :94 : :4 = :6 c) (minst ett fel) = (inget fel) = (A c \ B c \ C c ) = :94 :9 :96 = :7 4.4 Exempel på binomialsannolikhet. p = : = (vald enhet ar defekt) Inför A i = exakt i defekta bland de utvalda. (A i ) = p i ( p) i i = antalet sätt det nns att välja ut i defekta bland. i Eftersom ordningen är ointressant så har varje sådant sätt samma sannolikhet, pga oberoendet, p i ( p) i (processen justeras) = (minst defekta i urvalet) = (hogst defekt i urvalet) = = (A [ A ) = (A ) + (A ) = : ( :) +.4 Ytterligare exempel på binomialsannolikhet. p = : = (drif tstopp) Låt A k = k driftstopp i maskiner. (A k ) = p k ( p) k ; k = ; ; ;..., k a) (A ) = : :9 = :94 b) (A ) = : :9 7 = :7 c) (minst ) = (ingen) = (A ) = : :9 = :6 X X d) (högst ) = (A k ) = k : k :9 k = :97 k= k= Kap.- Diskreta stokastiska variabler. : ( :) 4 = :7.. Låt p = sannolikheten att en maskin fungerar efter 6 månader. = antal maskiner av som fungerar efter 6 mån. Maskinerna fungerar oberoende av varandra. (är ett nödvändigt antagande) Nu är n = och p = : och vi har oberoende upprepningar av samma försök och man kan påstå att Bin(; :): ( = x) = x : x ( :) x = x ( = x) x >< och F (x) = : för x = ; ; ; x < : x < : x < :7 x < >: x.. Dragning utan återlägg. Grundmängd: N = ; urval: n = 4 och andel defekta: p = 4 = :4 6
7 = antal defekta i urvalet. Hyp(; 4; :4) 4 6 Enligt de nitionen ovan är ( = x) = x 4 x för x = ; ; ; ; 4 4 x 4 ( = x) 4 x= x= 7 4 >< och F (x) = x < :74 x < :44 x < : x < :99 x < 4 x 4 >: 6.4. ( = x) = : x ( x :) 6 x för x = ; ; :::; 6 Här gäller det att ha koll på om det är sträng olikhet eller ej. Sannolikheterna att bestämma ser ju ganska lika ut. a) ( < ) = ( ) = eftersom > X X 6 = ( = x) = : x ( :) 6 x = :467 x b) ( < ) = ( ) = eftersom < X X 6 = ( = x) = : x ( :) 6 x = :94 x x= x= c) ( < < ) = ( ) = eftersom > och < X X 6 = ( = x) = : x ( :) 6 x = :4 x x= x= X X 6 d) ( ) = ( = x) = : x ( :) 6 x = :999 x x= x= Om man vill jobba med fördelningsfunktionen och tabellen istället blir a) ( < ) = F () F () b) ( < ) = F () c) ( < < ) = F () F () d) ( ) = F ().. Här kommer övning. till pass. Inför händelserna och sannolikheterna: A = får jobb A: (A) = : B = får jobb B: (B) = : C = får jobb C: (C) = : A; B och C antas vara oberoende. Låt = antal jobb som erbjuds av tre. (Hade sannolikheterna varit lika för alla tre jobben hade det varit en binomialsituation.) a) Möjliga värden på är {,,,} och ( = ) = (han får inget jobb) = (A c \ B c \ C c ) = (A c ) (B c ) (C c ) = = ( :)( :)( :) = : 7 ( = ) = (han får jobb) = (han får jobb A eller jobb B eller jobb C) = = (fa \ B c \ C c g [ fa c \ B \ C c g [ fa c \ B c \ Cg) = = (A) (B c ) (C c ) + (A c ) (B) (C c ) + (A c ) (B c ) (C) = = : : :7 + : : :7 + : : : = : ( = ) = (han får jobb) = (han får jobb A och B eller jobb B och C eller jobb A och C) = = (fa \ B \ C c g [ fa c \ B \ Cg [ fa \ B c \ Cg = = (A) (B) (C c ) + (A c ) (B) (C) + (A) (B c ) (C) = = : : :7 + : : : + : : : = :4 (X = ) = (han får jobb) = (A \ B \ C) = (A) (B) (C) = : : : = : X Kontroll: (X = x) = :7 + : + :4 + : = som sig bör. x= 7
8 >< b) Fördelningsfunktionen blir då F (x) = c) ( < x ) = F () F () = : :7 = : >: x < :7 x < :4 x < : x < x.. Övning i att läsa och använda tabeller. Låt X = antalet inkommande telefonsamtal/ min, X o(): a) (högst samtal) = ( ) tabell = :7. X (Den som vill kontrollera tabellen beräknar e i i! ) i= b) (precis samtal) = ( = ) = ( ) ( ) tabell = :7 :6766 = : 44 (alt beräkar man e! istället) c) (minst samtal) = (högst samtal) = [detta är en nödvändig omskrivning för att kunna använda tabellen] = :46 = :9 99 (Omskrivningen är nödvändig även om man inte vill använda tabellen för vem vill beräkna X i= e i i! när det är mycket enklare att beräkna X i= e i i! ).9. n = oberoende upprepningar med sannolikheten p = : Låt = antal lyckade försök. Då är Bin(; :): Låt Y = antal misslyckade försök Då är Y Bin(; :7): a) (högst lyckas) == :6496 X x= x : x ( :) x beräknas av den som inte tror på tabellen. b) (exakt lyckas) = ( = ) = ( ) ( ) tabell = :66 Kontrollera med : ( :) 7 c) (minst lyckas) = (högst lyckas) = ( ) tabell = :49 = :7 d) (högst 4 misslyckas) = (Y 4) = ( 6) = ( ) tabell = :47 4X :7 x ( :7) x beräknas av den som inte vill använda tabell. x x= Alt lösning utan att blanda in Y är (högst 4 misslyckas) = (minst 6 lyckas) = (högst lyckas) = = ( ) = tabell = :47.. Om N = (grundmängd eller population), 4 defekta ger andelen, p = :4; speciella och n = 4; antal drag utan återlägg. Låt = antal defekta i urvalet. Då är Hyp(; 4; :4) och 4 4 x 4 x ( = x) = för x = ; ; ; ; 4 enligt klassiska def av sannolikhet. 4.. En viss typ av lampa fungerar längre än h med sannolikheten, p = :6: Man har n = st sådana lampor som fungera oberoende av varandra. Låt = antal lampor som fungerar efter h a) oberoende upprepningar med samma sannolikhet gör att Bin(; :6) b) ( ) = (Y ) där Y Bin(; :4) enl samma resonemang som i.9. (Y ) tabell = :66.. En ren tabellövning. Enl förutsättningarna gäller: = antal samtal/min och o()
9 (mer än samtal på minut) = ( > ) (Obs > = mer än och " " = minst ) ( > ) = ( ) = ( ) tabell = :46 = :7.4. st oberoende upprepningar där en viss händelse (driftstopp) inträ ar med samma sannolikhet varje dag. Låt = antal maskiner med stopp en viss dag. Då är Bin(; :) och ( = x) = : x :9 x för x = ; ; ; :::; : x.6. N = (grundmängd), andelen speciella (svenska) p = 7 = :9 och n = (urvalsstorlek). Man drar, underförstått, utan återlägg. Låt = antal svenska lager i urvalet. Då är Hyp(; ; :9) och 7 x x ( = x) = för x = ; ; ; ; 4;.. Totalt nns det N = lampor varav p = = är defekta. Man drar utan återlägg n = st och låter = antal defekta lampor i urvalet. Då blir Hyp(; ; =):.9. Inför = antal fartyg som anländer/dag, o() enligt förutsättningarna, a) (Omdirigera) = ( > ) = ( ) tabell = :7 = :4 b) Det gäller att bestämma a så att ( a) :9: Om a = 4 är ( a) tabell = :947; om a = är ( a) tabell = :944 alltså: Hamnen måste byggas ut så att man klarar att betjäna fartyg/dag...här har man N = enheter i partiet, felkvoten p = : och man väljer n = st enheter för undersökning,slumpmässigt och utan återlägg. Låt = antalet defekta i urvalet, då är Hyp(; ; :) (processen justeras) = ( > k) :, (processen justeras inte) = ( k) > :9: kx i i ( k) = > :9 i= Denna ekvation är besvärlig att räkna ut om man inte har tillgång till en bra miniräknare eller mathematica eller något annat. För de med lite sämre beräkningshjälpmedel nns följande approximationer: Om Hyp(N; n; p) och n N < : så är Bin(n; p) Om Hyp(N; n; p) och n > och p + n N < : så är o(n p) I detta fall lämpar sig approximation till oissonfördelningen bäst, villkoren n > och : + = < : är uppfyllda. dvs Hyp(; ; :) o() och då kan vi använda tabellen, igen. ( k) > :9, k = 9: Alltså: processen justeras om man nner er än 9 defekta enheter i stickprovet.. N = (grundmängd), andelen speciella (defekta) p = = : och n = (stickprovstorlek) Låt = antal defekta i urvalet. Då är Hyp(; ; :): Man efterfrågar 49 X (högst defekta i urvalet) = ( ) = i i. Denna sannolikhet är besvärlig att räkna ut i= om man inte har tillgång till en bra miniräknare eller mathematica eller något annat. För de med lite sämre beräkningshjälpmedel nns följande approximationer: Approximationen till oissonf ordelningen är lämpligast här för man kan fortfarande ha problem med : i 9
10 Eftersom n p = : = : är alltså o(:) och X : :i tabell ( ) e = :9964: Att jämföra med den exakta sannolikheten.997. i! i= Detta är en intressant sannolikhet ur ett annat perspektiv. Antag att du köpt enheter av något slag. Leverantören lovar att högst. % av de levererade enheterna är defekta. Du väljer att kontrollera detta genom en stickprovskontroll om enheter som väljs slumpmässigt och utan återlägg. Du mäter och nner att enheter i urvalet är defekta, dvs relativafrekvensen defekta i urvalet är % ( ggr högre än utlovat). Detta tyder på att allt inte är riktigt som det ska. För att ha lite mer på fötterna beräknar du nu sannolikheten att få eller er defekta i urvalet under de förutsättningar som givits. Inför = antal defekta i urvalet. Då är Hyp(; ; :) och ( ) = ( ) = :9964 = : 6. Denna sannolikhet tolkas nu som att du har, under givna betingelser,.6 % chans att få eller er defekta i ett urval på om andelen defekta är.% i populationen. Det nns nu två möjligheter: antingen har du haft en himla otur (tur?) när du valde ut dina enheter för undersökning eller så är andelen defekta större i populationen. Eftersom sannolikheten är såpass liten att få eller er så är det förmodligen så att relativa andelen defekta är högre än den angivna. Formellt säger man att man har fått ett signi kant eller ett statistiskt säkerställt resultat. Resultatet i undersökningen visar på en högre andel defekta. Om den relativa andelen defekta hade varit en annan tex p = : och du får fortfarande defekta i urvalet. Då har du ggr högre relativ andel i stickprovet istället och ( ) = :. Det händer att man får eller er defekta i urvalet c:a gång av, det vill säga att det inte är så osannolikt att få en sammansättning i stickprovet som skiljer sig från populationen i övrigt. När detta fall inträ ar säger man att man fått ett icke signi kant eller ej statistiskt säkerställt resultat..4 Oberoende upprepningar med samma sannolikhet. n = (ståltrådar) och p = : (sannolikheten för en defekt tråd). Antag att trådarna blir defekta oberoende av varandra. Låt = antal defekta ståltrådar av. Då är Bin(; :): Vi söker (kabeln kan bära sin tyngd) = (minst 97 felfria trådar) = (högst defekta trådar) = X = ( ) = : i :99 i : Nu kan problem med och räknemaskinerna uppstå igen. För de i i i= nns följande approximation Om Bin(n; p) och n > och p < : så är o(n p) Vi använder approximationen och säger att o() ty n >, p < : och n p = : X ( ) = e i tabell = : 9: Att jämföra med den exakta sannolikheten.96 i! i=.. Låt = antal defekta, Hyp(; ; p) (drag utan återlägg) Använd oissonapproximation i båda uppgifterna, kontrollera så att villkoren är uppfyllda! a) Om p = : så o(:4). (godkänna partiet) = ( ) tabell = :94 = :6 b) Om p = : så o(4). (godkänna partiet) = ( ) tabell = :9 = :94.6. Låt = antalet försäkringstagare som råkar ut för en olycka Hyp(N; ; :) eller Bin(; :) enl de förutsättningar som gäller. Hur som helst blir det även i detta fall en oissonapproximation, o(): ( > ) = ( ) = :4 = :4696
11 Kap 4.- Kontinuerliga stokastiska variabler. 4. Givet frekvensfunktionen f(x) = x, < x < : x >< xz t x a) Fördelningsfunktionen F (x) = dt = < x < >: x gur b) ( < < ) = Z x dx = c) ( = ) = enligt sats 4A eller ( < < ) = F () F () = = 4. Att visa att f(x) = e Z x ; x är en frekvensfunktion ska enligt i) f(x) för alla x ii) f(x)dx = Första villkoret är uppfyllt f(x) om > ty e x > för alla xoch Z e x dx = e x = vilket är det andra villkoret som ska vara uppfyllt. F () = F () = ( ) = e direkt. Alt Z e x dx = e x = e ss fås F (=) = e = :6 6x( x) x 4.4 Givet f(x) = f:o a) Att f(x) testas genom prövning eller, ännu hellre, genom teckenstudium av f(x) x 6x + + x + + f(x) +
12 R Sedan ska f(x)dx = vilket också är uppfyllt i detta fall: R 6x( x)dx = [x x ] = x < >< xr b) F (x) = 6t( t)dt = [t t ] x = x x x >: x > (= < < =) F (=) F (=) c) ( < = j= < < =) = = (= < < =) F (=) F (=) = = x < 4. Givet F (x) = e x = x samband mellan fördelnings- (F (x)) och frekvensfunktion (f(x)) är F (x) = f(x) enligt sats4a. F (x) = xe x = = f(x) för x : 4.7. = väntetid tills nästa tåg.(i min) a) x = fx : < x < g dvs alla värde i intervallet till. c) Eftersom alla värden i intervallet ovan är lika troliga måste vara rektangelfördelad och f(x) = >< b) F (x) = >: xr x dt = x < x < x d) (vänta mer än 7 min) = > 7) = ( 7) = F (7) = 7 = 4.9 = livsläng i år och Exp(=) dvs f(x) = e x x och F (x) = e x a) (håller minst år) = ( > ) = ( ) = F () = ( e = ) = e = ( > + 4) b) ( > + 4 j > 4) = = e (+4) = e () e (4) = e ( > 4) e (4) e (4) = ( > ) Se även exempel 4. sid Är precis som 4.. Exp(:) där = tiden i minuter att betjäna en kund. ( > ) = ( ) = F () = ( e : )) = e : = :66 ( > ) = e = :67 ( < ) = ( ) = e : = :67 4. Först beräknar man att ett rör fungerar mer än h. Sedan beräknar man sannolikheten att eller er rör av 6 fungerar mer än h. Låt = livslängden i timmar för ett rör. Exp(:) Sätt p = ( > ) = ( ) = F () = e = :4 Nu har vi n = 6 st rör som fungerar oberoende av varandra. Låt Y = antal rör som fungerar mer än h. Då är Y Bin(6; p) och (Y = ) = 6 (Y > ) = (Y ) = :4 ( :4) = : X x= 6 :4 x ( :4) 6 x = :996 = :4 x 4. Låt = plats kvar framför bilen i meter.. x = fx : < x < g. Om alla värden i intervallet ovan är lika troliga är rektangelfördelad och f(x) = (en bil till) = (en till bil framför) + )((en till bil bakom) = ( > ) + ( < ) = R R dx + dx = + = 6 ; < x < :
13 4. Låt = livslängd i år för en viss typ av kullager, W (; =9) ( fungerar efter år) = ( > ) = ( ) = = F () = ( e =9 ) = :76 ( fungerar efter år) = ( > ) = ( ) = = F () = ( e =9 ) = : Här gäller att N(; ). Detta är en tabellövning. a) ( < ) = () = :977 b) ( < ) = ( ) = () = :4 = : 7 s c) ( > ) = ( ) = () = :997 = : d) ( > ) = ( ) = ( ) = ( ()) = () = :4 e) ( < < ) = () ( ) = :997 :7 = : f) ( = ) = 4. Även här gäller N(; ) a) ( > a) = : () a = :9 b) ( > a) = :999 () a = :9 c) (j j< a) = ( a < < a) = :9 () ( < a) = :97 () ( > a) = : () a = :96 (rita gur) d) ( > a) = : () a = : Här är N(; ) Kom ihåg: Om N(; ) så är Y = N(; ) Sats 4B a) ( < ) = ( ) = () = :4 b) ( > 4) = ( 4) = ( 4 ) = (:) = :9 = :66 c) ( < :) = ( : ) = ( :) = (:) = :944 = : = tapp diameter. N(:49; :): : :49 a) (användbar) = ( < :) = : = () = :977 b) Låt Y = antal användbara av. Y Bin(; :977) om sannolikheten är den samma för varje tapp. E(Y ) = :977 = 4:6 (n p) c) V (Y ) = :977( :977) = :4 (n p ( p)) =) = ::
14 Kap.-.,4.-4. Väntevärde, varians och standardavvikelse.. och.4 Här är likformigt fördelad på 6 lika sannolika utfall, dvs U(6): Sannolikhetsfunktionen är ( = x) = 6, x = ; ; ::::; 6 och väntevärde blir a) E() = 6 x 6 = 6 ( ) = 7 = : x=.4) För att beräkna variansen använder man de nitionen eller sats 4C V () = E( ) E() = 6 Om U(N) blir E() = N x N = N x= x 6 x= 7 = 6 ( ) : = 9 6 N(N+) = N+ (aritmetisk summa, se någon analysbok).9 och. Här får man följande fördelning 7 = x ( = x) och det är bara att använda de nitionen av väntevärde och sats 4C E() = V () = x= x= x ( = x) = = och x ( = x) = 4. Låt = antal arbetare som använder handborrmaskin under ett visst ögonblick. a) n = oberoende upprepningar med samma sannolikhet, p = : och Bin(; :) b) E() = n p = : = :6 c) Löses med hjälp av tabellen över binomialfördelningen. max(f (x) F (x )) för x = ; ; ; ::: ger x =... = antal efterfrågade tidningar. a) E() = xp(x) = :( ) + :4( ::: + ) = 9: x= b) Om Kalle tar hem 9 tidningar och man låter Y = vinsten, Y = : får man följande E(Y ) = 4: y= x y p(x) = p(y) yp(y) = :( : :) + :4( :) + :4 + :4 4: = :6 Kalle genomsnittliga vinst eller förväntad vinst är en förlust på.6. Man också uttrycka det så här att Kalle förlorar, i genomsnitt,.6. c) Gör likadant som i b) för,7,6,,4, tidningar. Låt = antal efterfrågade granar och Y = vinst Om elle tar hem granar blir Y = 9 ( ) = och E(Y ) = y= vinst 4 Kr yp(y) = :( x 4 y - p() = p(y)..... ) + :( + ) + : = 4. Om Kalle tar hem granar blir hans förväntade 4
15 Om elle tar hem 4 granar blir Y = 9 (4 ) = 6 och E(Y ) = 4 y= 6 x 4 y p() = p(y).... yp(y) = :(4 6) + : 4 + : 4 = 6 Om elle tar hem granar blir Y = 9 ( ) 9 = E(Y ) = y= yp(y) = :( ) + : = x y - p() = p(y)... Om elle tar hem granar blir Y = 9 ( ) 6 = E(Y ) = y= yp(y) = : + :9 = x y p() = p(y)..9 Alltså elle ska ta hem 4 granar för att få så stor förväntad vinst som möjligt..7 Låt = antalet maskiner som stannar en viss dag. a) Eftersom det är oberoende upprepningar, (n = ); med samma sannolikhet, (p = :) är Bin(; :) b) V () = np( p) (se sid 94) dvs i detta fall är = V () = :9 och = D() :9.4 En binomialsituation till. Låt = antal personer som drabbas av biverkan. n = oberoende upprepningar med samma sannolikhet p = : dvs Bin(; :) E() = : = 6; V () = :( :) = 4: och D() :9.4 = antal förseningsdagar och a) E() = 4 xp(x) = :; V () = x= 4 x= b) Sätt Y = böter och Y = + då får man E(Y ) = 7 x= yp(y) = 7; V () = x 4 p(x).... x p(x) : = :96 och D() = p :96 = :9 x 4 y 4 7 p(x) = p(y) x= c) I denna uppgift vill Vännman att man ska komma på sats A. 4. och 4. använd de nitionen och sats 4C R R a) E() = :xdx = : och V () = x :dx = R b) E() = x:xdx = och V () = R y p(y) 7 = 6 och D() = 4697 x :xdx = 9
16 6R c) E() = x x 7 dx = 4: och V () = 6R x x 7 dx 4: = : 4. och 4.6 = väntetid. är likformigt fördelad över intervallet (; ) och f(x) = =; < x < : R h i E() = x dx = R h i x = och V () = x dx x = = ; D() = p 4. Om Exp( ) vet man att f(x) = e x= ; x R E() = x e x partiell integration x R dx = xe + e x dx = e x {z } = = = = 4. N(:49; :); E() = :49 = 4.4 = ( betjäningstiden och fördelningsfunktionen är given (F (x) = f(x)) x x R x x x f(x) = E() = x dx = f:o: Om Exp(:) så är f(x) = e x= x : Enligt uppgift 4. och ex 4. sid 7 är E() = = = R V () = x e x part integr dx = x e x {z } = + xe x {z } = = q D() = = : = = = 4.9 N(; ) använd sats 4B och tabellen. a) ( < ) = = () = : b) ( < ) = = ( ) = () = :7 c) ( > + ) = ( + ) = + = () = :7 d) ( < ) = = ( ) = () = : e) ( > + ) = ( + ) = + = () = : f) (j j < ) = ( < < ) = ( < < + ) = + () ( ()) = () = :66 g) (j j < ) = ( < < ) = ( < < +) = + () ( ()) = () = :94 4. Exp() = = = f(x) = e x ; x och F (x) = e x = R a) ( < ) = e x dx = e x = = e = :6 + e x = = () ( ) = = () ( ) = b) ( < ) = ( < ) x< = c) ( > + ) = ( =) = F (=) = ( e ) = e = : d) ( < ) = ( < =) x< = e) ( > + ) = ( =) = F (=) = ( e ) = e = :49 f) (j j < ) = ( = < = < =) = (= = < < = + =) = ( < < =) = F (=) = e = :647 g) (j j < ) = ( = < < =) = (= = < < = + =) = ( < < =) = F (=) = e = :9 4. Om Exp() så vet vi att E() =. Att visa att D() = innebär att man måste beräkna R V () = x e x dx med två gånger partiell integration (eller mathematica) får man R x e x dx = x e x R + xe x dx = x e x R + e x = e x = och slutligen V () = = ) D() = V SV: 4. Givet f(x) = :x; < x < De nition: Medianen för en stokastisk variabel de nieras som det tal m som uppfyller F (m) = :: 6
17 De nition: Med p:te percentilen för en stokastisk variabel menas det värde L p som löser ekvationen F (L p ) = De nition: Med kvartilavståndet Q menas Q = L 7 L : mr h i m :x a) F (m) = : () :xdx = : () = :m = :, m = p 7:7 = E() = R b) F (L ) = : () F (L 7 ) = :7 () x:xdx = 6:67 och = V () = LR 7 LR h :xdx = : () h :xdx = :7 () :x R i L Q = :66 = :66; 4: och + 9: 4. Exp() F (x) = e x ; x, = = = a) F (m) = : () e m = : () e m = : () m = x :xdx = 9 :6 = :L = :, L = p = i :x L7 = :L 7 = :7, L 7 = p 7 :66 ln : = ln :47 b) F (L ) = : () e L = : () e L ln :9 = :9 () L = :7 c) F (L ) = : () e L = : () e L ln :7 = :7 () L = :44 F (L 7 ) = :7 () e L7 = :7 () e L7 ln : = : () L 7 = :69 Q = :49; = och + = 4. = längden av en bomulls ber beskrivs av följande frekvensfunktion ax < x < f(x) = Om detta ska var en frekvensfunktion måste f:o: Z h a) axdx = () a x i = () a = : mr h b) F (m) = : () :xdx = : () c) F (L ) = : () LR i m :x h :xdx = : () = :m i L :x = :, m = p 4:4 = :L = :, L = p 4 6: p 7
18 Kap Mera om väntevärde. Givet E( ) = ; E( ) = 4; V ( ) = :, V ( ) = :9 samt att och oberoende. a) E( + ) = E( ) + = 6; V ( + ) = V ( ) = ; D() = p b) E() = ; V () = D() = en konstant varierar inte. c) E( + ) = E( ) + E( ) = 7; V ( + ) = V ( ) + V ( ) = :4; D( + ) = p :4 se sid d) E( ) = E( ) E( ) = ; V ( ) = V ( ) + ( ) V ( ) = :4; D( ) = p :4 e) E( + ) = E( ) + E( ) = ; V ( + ) = V ( ) + V ( ) = 6:; D( + ) = p 6: f) E( ) = E( ) E( ) = 7; V ( ) = V ( ) + ( ) V ( ) = 6:; D( ) = p 6:. Givet stokastisk variabel med E() = och D() = : Låt Y = : E = (E() ) = ( ) = : V = (V () ) = = V SV. = dygnsmedeltemp i C. E() = och D() =. Y = 9 + E(Y ) = E 9 + = 9E() + = 64:4 V (Y ) = V 9 + = 9 V () = :96; D(Y ) = :6.6 = längden av ett byggelement (i meter) E() = och D() = : Låt Y = och Y = i i= E (Y ) = E( ) = E( ) = E(Y ) = E i = E( i ) = dvs båda metoderna ger samma vän- i= i= tevärde. V (Y ) = V ( ) = V ( ) = : D(Y ) = : V (Y ) = V i = V ( i ) = : D(Y ) = :. Denna metod ger minst spridning och är i den meningen i= i= den bästa. (.7 Y = längden av en -min rast, = överdrag i minuter f(x) = ( x) < x < f:o: Y = + : E(Y ) = E( + :) = + E() = : ty R E() = x x x ( x)dx = = = : V (Y ) = V ( + :) = V () = E( ) E() = för att 9 E( R ) = x x ( x)dx = x 4 = 9 6 = 6:67 R (Y > 7) = (Y 7) = ( ) = ( x)dx = (x x = :64. Ai = återbäring spel A; E( Ai ) = :9 och D( Ai ) = : Bi = återbäring spel B; E( Bi ) = :6 och D( Bi ) = : Man spelar A spel och B spel. Låt Y = total återbäring, Y = A + A + A + B + B {z} insats E(Y ) = E( A + A + A + B + B ) = E( A ) + E( A ) + E( A ) + E( B ) + E( B ) = : V (Y ) = V ( A + A + A + B + B ) = V ( A ) + V ( A ) + V ( A ) + V ( B ) + V ( B ) = :7 D(Y ) = :7. = resultat av en smältpunkts bestämning. = + " där = renheten (konstant) och " = slumpfel (stokastiskt). " beskrivs av f(x) = ( x)( + x); < x < : 6 a) Att visa att metoden är väntevärdesriktig innebär att man ska undersöka om E() = :
19 E() = E( + ") = + E("), om E(") = är metoden väntevärdesriktig. R x 4 E(") = x( x)( + x)dx = 6 6 (9x 4 ) = 6 ( ( 4 E() = och metoden är väntevärdesriktig (VVR) R b) V () = V (") = E(" ) = 6 x ( x)( + x)dx = D() = c) se ovan. r 9 = :4: )) = dvs 4 x 6 (x ) = 6 ( 4 ( + 4 ) = 9. Y = c + ( c) ; E( ) = E( ) = ; V ( ) = och V ( ) = a) E(Y ) = E(c + ( c) ) = ce( ) + ( c)e( ) = c + ( c) = b) V (Y ) = V (c + ( c) ) = c V ( ) + ( c) V ( ) = c + ( c) Derivera denna variansfunktion map c V (Y ) = c + ( c) sätt V (Y ) = och c = + c) Använd = = i uttrycket ovan. 9
20 Kap 6 Normalfördelningen 6. = tid för ett arbetsmoment. N(; :) 7 a) (7 < < ) = = () ( ) = () = :94 : : 4: : b) (: < < 4:) = = () ( ) = () = :997 : : 6. = diameter N(:; :) : + x : a) (: x < < : + x) = :99, ( < : + x) = :99 () = :99, x : : = :7 Dvs x = : :7 = : och (:74 < < :) = :99 : + x : b) (: x < < : + x) = :999, ( < : + x) = :999 () = :999, x : : = :9 Dvs x = : :9 = :6 och (:74 < < :66) = :999 : + x : c) (: x < < : + x) = :, ( < : + x) = :7 () = :7, x : : = :67 Dvs x = : :67 = : och (:76 < < :4) = : 6. = äggvikt N(49; 7:) 4 49 (A) = ( < 4) = = ( :) = (:) = :7 = :9 7: (B) = (4 < ) = = (:) ( :) = :7967 :9 = : 7: 7: (C) = ( > ) = (A) (B) = :7967 = : 6. i = vikt passagerare i (kg); i N(; :) Y = i = vikten av passagerare och Y N( ; p :) i= (sats 6D) 74 7 (Y > 74) = = (:4) = :99 = :7:.7% chans att passagerare har en 6:4 sammanlagd vikt överstigande 74 kg. 6. = skruvdiameter (mm), N(4:; :6); Y = håldiameter (mm), Y N(4:; :): Antag och Y oberoende. Y = diameterskillnad, Y N 4: 4:; p :6 + : En skruv passar mutter om < Y :6: Och :6 : ( < Y :6) = p :6 p : +: :6 = +: = (:7) ( :) = (:7) ( (:)) = :999 ( :944) = :4 Drygt % chans att en på måfå vald skruv passar en på måfå vald mutter. 6. i = livslängd (h) lampa i; i N(7; 6); i = ; ; :::; och oberoende. 6 = medellivslängd av lampor. Sats 6D säger att N 7; p : Vi ska med dessa förutsättningar bestämma _ 7 ( ) = 6= p = ( :7) = (:7) = :999 = :4 4% chans att medellivslängden h för lampor av denna typ. Detta problem är intressant ur ett annat perspektiv. Antag att man köper lampor där tillverkaren påstår att den förväntade livslängden hos en lampa är 7 h med en standardavvikelse på 6 h. Antag att lamporna fungera oberoende av varandra och att man tar ut, slumpmässigt, ett stickprov om lampor ur en mycket stor population. Inför nu stokastiska variabeler i = livslängd (h) lampa i; i = ; ; :::; och antag, i brist på bättre alternativ, att alla i N(7; 6). Detta antagande kan man komma runt med hjälp av Centrala gränsvärdessatsen, se nedan. Nu blir medellivslängden _ N 7; 6 p : Antag nu att konstaterar att medelvärdet i stickprovet blir x = h. Det skiljer timmar mellan den utlovade livlängden och vad man ck som genomsnitt i undersökningen. Räkningarna ovan gav 4% chans att få ett så lågt medelvärde eller lägre. Trots att skillnaden är liten så säger man att det är ett statistiskt säkerställt resultat. Medellivslängden för denna typ av lampor är lägre den utlovade på 7 h. När man påstår detta så är felrisken (signi kansnivån) 4%. Eftersom sannolikheten är så pass liten tror man inte längre att det är slumpen som gör att medellivslängden är lägre i stickprovet utan att det är en systematisk avvikelse från det utlovade värdet.
21 6.4 i = kextjocklek (cm) N(:4; :) Y = n i = tjocklek för n kex, Y N(n :4; : p n) enligt Sats 6C i= :4 a) (minst kex) = (Y ) = : p = (:) = :99. Det är nästan alltid minst kex i paketen. :4 b) (minst kex) = (Y ) = : p = () = :: % av alla paket kommer att innehålla minst kex. 6.6 = utlösningstid för relä (s), N (; :) : Y = utlösningstid för relä (s), Y N (:; :) ; och Y oberoende. Y = skillnad i utlösningstid för de båda reläerna. Sats 6B säger att Y N :; p : + : : (relä löser före relä) = ( Y > ) = ( :) p : = (:4) = +: = :97 = : Lite mer än % chans att relä löser före relä om de utsätts för samma impuls. 6. i = vikt av pappersrulle i (kg) N(; ); Y = i = vikten av pappersrullar och Y N(; ) i= Enligt sats 6C är E(Y ) = E() =, E() = och D() = p D() =, D() = p 4: Alltså är N(; p x 4) och ( > x) = :9, ( x) = :, p = :, x p = :6, 4 4, x = :6 p 4 = 9:9: Med 9% säkerhet garanterar fabriken att varje rulle väger minst 9:9 kg. 6. i = längden av band i (m), i N(; :) och oberoende, ätt Y = då är Y N (; :) och Y = i då är Y N(; p :) enligt sats 6C i= (jy j < :), ( : < Y < :) = (9: < Y < :) = : 9: = : : = (:4) ( :4) = (:4) ( (:4)) = = (:4) = :64 = : (jy j < :), ( : < Y < :) = (9: < Y < :) = : = p 9: : p : = (:6) ( :4) = (:6) ( (:6)) = = (:6) = :96 = :79 4 Y ger ett värde närmare med större sannolikhet än Y : 6. = tid för tvätt och påklädning, = tid för frukost och = tid för transport N(; ); N(; ) och N(9; ). Antag att ; och är oberoende stokastiska variabler Y = + + = total tid för morgon aktiviteter och Y N( + + 9; p + + ) (komma i tid) = (Y 4) = i = vikt person i (kg); i N (7; ) och oberoende. = personers vikt, = i N ; p (sats 6C) i= p = (:9) = :64: Det är alltså c:a 6% chans att han kommer i tid. Han vill veta ( personerväger mer än 4kg) = ( > 4) = = ( 4) = = (:49) = :99 = :6 4 p 6. % chans att personer väger mer än 4 kg. Centrala gränsvärdessatsen (CGS) I uppgifterna antas de stokastiska variablerna vara exakt normalfördelade. Vi ska nu beröra ett av de märkligaste och betydelsefullaste resultaten inom sannolikhetsteorin: Normalfördelningen uppträder i ett generellt sammanhang, som gör den mycket mer tillämpbar än man i förstone kan tro. Man kan nämligen visa att en summa av oberoende likafördelade s.v. med godtycklig fördelning i regel är ungefär normalfördelad, bara antalet komponenter i summan är tillräckligt stort. Sats 6E ( Centrala gränsvärdessatsen, CGS)
22 Om ; ; :::: är en oändlig följd av oberoende och likafördelade stokastiska variabler med väntevärdet och standardavvikelsen : Då i n i= p n xa! (x) ; då n! raktiskt innebär CGS att n i N (n; p n) ; då n är stort i= _ N(; pn ); då n är stort Det är just dessa egenskaper hos normalfördelningen som gör den så användbar. Hur stort ska n vara undrar man. Tumregel: om n > är kan CGS användas. OBS att CGS gäller för såväl kontinuerliga som diskreta variabler i Lösningar till uppgift i = den i :te kundens mjölkköp (liter). beskrivs av följande sannolikhetsfunktion: Låt Y = 4 i= x p(x)... i = 4 kunders mjölkköp (liter). Vi ska bestämma (Y 9) approximativt mha CGS. För att veta vilken normalfördelning Y :s fördelning ska approximeras med behöver vi bestämma E( i ) och D( i ): E( i ) = x= xp(x) = :9 och V ( i ) = x= x p(x) :9 = :49 ) D( i ) = :7 Enligt sats 6E blir Y N(6; 4); (4:9 = 6; p 4 :7 = 4) och 6 9 (Y 9) 4 = (:49) = :9: Det är alltså c:a 9% chans att lagret räcker. 6. i = vikten vagn nr i (ton), E( i ) = och D( i ) = :; i = ; ; :::; Y = i = vikten av vagnar, Y N ; p : med stöd av CGS ty n tillräckligt stort. i= (Y > ) = (Y ) p : = (:69) = :94: Det är approximativt 9% chans att tågsättet väger mer än ton. 6.6 i = vikten av ett lass sand (kg). E( i ) = och D( i ) = : Y = i = vikten av lass sand, Y N ; p enligt CGS. i= (Y > ) = (Y ) p = ( :7) = = ( (:7)) = (:7) = :7 Firman Står Det Så Står Det har ungefär 7% chans att få ton sand på lass. 6.7 i = komponent i : s livslängd.(timmar?), i Exp(:) i = ; ; :::; Eftersom exponentialfördelningen föreligger behöver man bestämma E( i ) och D( i ): E( i ) = = och D( i) = =. Låt Y = i= i = komponenters sammanlagda livslängd. Y N( ; p ) med stöd av CGS då n > : Tp = :, T p = :, T = 9:: (Y > T ) = :9, (Y T ) = : CGS, Lagret räcker approximativt h(?) med 9% sannolikhet. 6. i = vikt av en värktablett i gram, E( i ) = : och D( i ) = :4 Om 99 tabletter väger mindre än. g kommer minst tablett läggas i till och burken innehålla minst tabletter. Sätt Y = 99 CGS i N(99 ; p 99 :4) = N(49:; :9) i= : 49: (Y :) :9 = (:) = :994: Det är c:a 99% chans att burkarna innehåller minst tabletter. 6. i = tidsavstånd mellan två på varandra störningar (min), i Exp() i = ; ; :::; och E( i ) = D( i ) = ::
23 Sätt Y = i = sammanlagd tid tills :e störningen, Y CGS N(; ) i= 4 (Y > 4) = (Y 4) = = ( ) = () = :4 Ungefär % chans att det tar mer än 4 minuter tills :e störningen. 6. = antal defekta av (= n), p = (en enhet defekt) = : = felsannolikheten. Antag oberoende upprepningar, då är Bin(; :): Att bestämma: ( ) = : i :9 i vilket inte är så lätt om man inte har stor beräkningskraft i= i tillgänglig. Om n > och p < : så är o() (se s ) men inte heller ( ) = e i= i i! är så kul. CGS hjälper oss också i detta fall (se s 6) Eftersom E() = och V () = 7:6 så kan med CGS som stöd påstå att N ; p 7:6 och ( ) p 7:6 = (:) = :99 Det är mindre än % chans; approximativt, att få eller er defekta bland. Om detta inträ ar kan man med lite risk påstå att felsannolikheten har ökat och att resultatet är statistiskt säkerställt. 6.6 = antalet trasiga komponenter, enl förutsättningarna är Bin(; ; ): (fungerande instrument) = ( ) tabell = :47 = p Y = antalet fungerande instrument av 4. Oberoende mellan olika instrument förutsätts, då är Y Bin(4; :47): E() = 4 :47 = : och V () = 4 :47( :47) = :64 > och Y CGS N(:; p :64) (se s6) (Y ) = (Y 99) = 99: : p :64 = (; ) = :79 dvs ungefär 7% chans att asken innehåller minst fungerande instrument. 99 : Utan halvkorrektion får man (Y ) = (Y 99) = p :64 = (:6) = :74:
24 Kap 7 unktskattningar 7. Med 9 x i = 6:9 och i= a) obs = x = 9 9 x i i= 9 x i = 6:9 9 = 4: 9 9 i= b) obs = s = 9 x i i= 9 = 9:9 samt formeln på s6 i Vännman får man! x i = i= 9:9 9 (6:9) = 6: c) obs = s = p 6: = 4:6 7. = livslängd i timmar för et specialbatteri. E( i ) = och V ( i ) = Följande observationer på nns: a) Lämpliga punktskattning av = genomsnittlig livslängd och är obs = x = i= x i = :6 resp obs = s = s 4 (x i x) = :4 i= b) Från sats C vet vi att V () = V ( ) = och en lämplig observerad punktskattning av standardavvikelsen för s är p = :: 7. = a + a : För att ska vara väntevärdesriktig(vvr) måste E( ) = : a) E( sats A ) = E (a + a ) = a E ( ) + a E ( ) = (a + a ) dvs E( ) =, (a + a ) = b) För att bestämma vilken av dessa punktskattningar som är e ektivast måste vi bestämma och minimera V ( ): V ( sats A ) = V (a + a ) = = a V ( ) + a V ( ) a+a= = a + ( a ) = (a a + ) Ev minimum fås då dv ( ) = (4a ) =, a = da : Att detta är en min punkt bekräftats av att d V ( ) da > för a = : Den e ektivaste punktskattningen är alltså = + dvs medelvärdet. 7.9 Låt = antal operationer med tid > 4 min och p = sannolikheten att en operation tar > 4min. p skattas med p = x dvs relativa frekvensen. x = obs antal operationer med tid > 4 min n x = ; n = och p obs = = : 7. Vi ska bestämma k så att punktskattningen = k n ( i ) blir VVR map ; dvs E( ) = : i= E( ) = E k n ( i ) = k n E h( i ) i = k n V ( i ) = kn i= i= {z } i= def: av V arians För att E( ) = måste kn =, k = n : 7.4 p = (ett lysrör funkar efter timmar) skattas med p = n där = antal lysrör som funkar efter timmar av n st. a) Bin(n; p) som har möjliga utfall ; ; ; ; :::; n:detta leder till att p = n Bin(n; p) med möjliga utfall ; n ; n ; n ; ::; : b) E(p ) = E( n ) = n E() = nnp = p dvs VVR. c) V (p ) = V ( n ) = n V () = p( p) n np( p) = q q n d) : ) n p( p) n 4n 4
25 Kap Kon densintervall Kap. Teckenintervall. i = brottgräns. Vi ska konstruera ett kon densintervall för m = medianbrottgränsen baserat på n = mätningar. För alla stokastiska variabler gäller att ( i m) = :: Låt () < () < ::: < () beteckna det storleksordnade stickprovet. Sätt Y = antalet observationer m: Y Bin(; :): Tänkbara intervall är m ( () ; () ); m ( () ; () ) eller ( () ; () ): Det gäller för oss att bestämma kon densgraden för dessa intervall och det är här binomialfördelningen kommer in. Vilken kon densgrad har intevalet m ( () ; () )= (sannolikheten intervallet täcker verkligt värde på m) (intervallet täcker det verkliga värdet på m) = (alla obs. ligger till vänster om m) (alla obs. ligger till höger om m) (se ex.), ( () < m < () ) = (Y = ) (Y = ) pga sym i binomialfördelningen är (Y = ) = (Y = ) så ( () < m < () ) = (Y = ) = :4 = :999 dvs Kon densgraden är 99.9% för intervallskattningen m ( () ; () ) Kon densintervallet blir sedan m (:; 7:7); (99:9%) Vi skulle i uppgiften komma så när 9% som möjligt så det är bara att gå vidare med nästa förslag. Bestämmer kon densgrad för intervallet m ( () ; () ) (intervallet täcker det verkliga värdet på m) = (alla obs. utom högst ligger till vänster om m) (alla obs. utom högst ligger till höger om m), ( () < m < () ) = (Y ) (Y ); sym i binomialfördelningen ger att (Y ) = (Y ) så ( () < m < () ) = (Y ) = :7 = :9966 > :9 rovar nästa förslag: m ( () ; () ) (intervallet täcker det verkliga värdet på m) = (alla obs. utom högst ligger till vänster om m) (alla obs. utom högst ligger till höger om m), ( () < m < () ) = (Y ) (Y ) även här är (Y ) = (Y ) så ( () < m < () ) = (Y ) = :99 = :964 Eftersom detta intervall också har en kon densgrad > 9% går vi vidare med m ( (4) ; (9) ) (intervallet täcker det verkliga värdet på m) = (alla obs. utom högst ligger till vänster om m) (alla obs. utom högst ligger till höger om m), ( (4) < m < (9) ) = (Y ) (Y 9) även här är (Y ) = (Y 9) så ( (4) < m < (9) ) = (Y ) = :7 = :4 < :9 Det intervall som är närmast 9% är det föregående, dvs m ( () ; () ): Kon densintervallet blir m (:9; 7:) (96:4%) Har man tillgång till en binomialfördelningstabell, och det har vi, kan man läsa ut kon densgraden på en gång för alla alternativ. Början av tabellen för Bin(; :) ser ut så här xnp ,.7.46 Eftersom kon densgraden kan skrivas som kan alla sannolikheter tolkas som =: Och då gäller det att leta reda på en sannolikhet i tabellen så när som möjligt.%.. i = hållfastheten hos ett byggnadsmaterial. Här ska vi konstruera ett kon densintervall för m = medianhållfastheten baserat på n = obs. med en kon densgrad på c:a 9%: Vi behöver storleksordna vår observationer och dessutom leta i tabellen över Bin(; :) som börjar så här:
26 xnp Ur denna kan vi läsa att ett intervall från den näst minsta till den näst största kommer att täcka m med c:a 9% säkerhet. dvs m (; 9); (9%).6 Löser man på liknande sätt. Storleks ordna stickprovet och titta i tabellen över Bin(6; :): I den nner man ( ) = :64: Denna sannolikhet tolkar vi som = och vi får ett intervall som ser ut som m ( (4) ; () ) ( 9%); dvs m (:; 7:4); ( 9%) Kap. kon densintervall för i N(; ) formler Samtliga uppgifter i detta avsnitt löses med hjälp av följande (x a= pn ) se härledning s 99- i boken om känd.. Detta kon densintervall har kon densgrad : Om okänd använder man (x t(n ) a= s p n ) se s -, även detta intervall har kon densgrad :. Förutsättningar: i = avståndet mellan två punkter. i N(; :), där är det verkliga avståndet mellan punkterna. Stickprovsstorlek: n = 4: Miniräknaren ger oss x = : och från normalfördelningstabellen får vi : = :96: Intervallet blir: (: :96 : p 4 ) vilket blir (:; :6) (9%). Tolkning: med 9% säkerhet ligger det verkliga värdet på avståndet mellan de punkterna i intervallet ovan. Fotnot: a= pn (ibland a= pn ) kallas för den statistiska felmarginalen. I detta fall är felmarginalen :49:. Förutsättningar: i = syrekonc. i vatten dag i (enhet: mg=l): i N(; ) och n = : Från stickprovet fås x = : och normalfördelningstabellen fås : = :7 och (: :7 p ) vilket ger (:7; :47) (99%) Tolkning Med 99% säkerhet ligger den verkliga syrekoncentrationen mellan :7 och :47 mg=l: Att peka ut ett enskilt värde i detta intervall går inte, dvs det går inte att med rimlig säkerhet påstå att skulle vara exempelvis mg=l: Men å andra sidan ger inte denna undersökning belägg för att det inte skulle kunna vara, eftersom detta värde faller inom intervallet. Det vi är någorlunda säkra på är att det är mindre än % chans att syrekoncentrationen är mindre än.7 eller större än.47.. Givet: i = brottbelastningen, i N(; :) n = och x = 7: kp: a) Ett ensidigt, uppåt begränsat kon densintervall får följande utseende: ( ; x + a pn ) dvs man släpper på den nedre gränsen och lägger all massa i den övre svansen på fördelningen. från tabellen får vi att : = :9 och intervallet blir ( ; 7: + :9 p : ). Uträknat ( ; 7:7) (99:9%) Tolkning: med 99.9% säkerhet överstiger inte brottbelastningen 7:7 kp: b) Ett nedåt begränsat löser man på liknande sätt, skillnaden är att man lägger all massa i den nedre svansen istället. Intervallet blir (x a pn ; ) och med : = :9 får vi (6:9; ) (99:9%) Tolkningen blir att brottbelastningen inte understiger 6:9 kp med 99:9% säkerhet. c) Ett tvåsidigt intervall, med : = :9, ser ut som följer 6:6; 7:74) (99:9%). Givet i N(; :) och (9:69; 9:9) (9%) a) Hur många mätningar dvs hur stort är n? Intervallängden = 9:9 9:69 = :4 = a= pn, a= :96 : p n = : ) n = 4: dvs undersökningen baserades på n = 4 mätningar. pn = : eftersom kon densgraden är 9% är : = :96: b) För att få en intervallängd på högst. krävs :96 : p n : ) n 7:6 dvs minst observationer..4 i =brottgräns (igen) i N(; ) och n = Miniräknaren ger x = 6:74 och s = :: Från tabellen över t-fördelningen fås t () : = :6: (6:; 7:47) (99%): Det är inte speciellt troligt att = 7:6 då det med 99% säkerhet inte tillhör intervallet..6 Givet i = fryspunkten, i N(; ): x = : och n = : a) = :7; känd ska ett kon densintervall beräknas mha (x a= pn ) och för 9% kon densgrad är tabellvärdet 6
27 : = :64: q :7 Detta ger (: :64 ) (9%); (:6; :9) (9%) b) Om okänd beräknar man s = :7 och tittar i t-fördelningen över t (4) : = : och använder (xt(n ) a= q :7 (: : ) (9%); (:; :) (9%):. i = densiteten hos gasbetong. a) Om i N(; ) så är = m och vi kan beräkna ett vanligt t intervall för = m: Miniräknaren säger att x = : och s = :44: En titt i t tabellen fås t () : = :6 och = m (: :6 :44 p ); = m (:6; :44) (9%) b) Om i = N(; ) får vi göra ett teckenintervall för m: Mha binomialfördelningstabellen över Bin(; :) får vi m ( () ; () ); m (:; :) (97:7%): ps n ): 7
Tentamen 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 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 merSummor av slumpvariabler
1/22 Summor av slumpvariabler Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 8/2 2013 2/22 Dagens föreläsning Väntevärde och varians Vanliga kontinuerliga fördelningar Parkeringsplatsproblemet
Läs merk x om 0 x 1, f X (x) = 0 annars. Om Du inte klarar (i)-delen, så får konstanten k ingå i svaret. (5 p)
Avd. Matematisk statistik TENTAMEN I SF1901 SANNOLIKHETSLÄRA OCH STATISTIK MÅNDAGEN DEN 17 AUGUSTI 2009 KL 08.00 13.00. Examinator: Gunnar Englund, tel. 790 74 16. Tillåtna hjälpmedel: Formel- och tabellsamling
Läs merF6 STOKASTISKA VARIABLER (NCT ) Används som modell i situation av följande slag: Slh för A är densamma varje gång, P(A) = P.
Stat. teori gk, ht 2006, JW F6 STOKASTISKA VARIABLER (NCT 5.4-5.6) Binomialfördelningen Används som modell i situation av följande slag: Ett slumpförsök upprepas n gånger (oberoende upprepningar). Varje
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 merStatistik. Det finns tre sorters lögner: lögn, förbannad lögn och statistik
Statistik Statistik betyder ungefär sifferkunskap om staten Statistik är en gren inom tillämpad matematik som sysslar med insamling, utvärdering, analys och presentation av data eller information. Verkligheten
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 merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (8 uppgifter) Tentamensdatum 2012-01-13 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 09.00 14.00 Lärare: Adam Jonsson, Ove
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 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 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 merÖVNINGSUPPGIFTER KAPITEL 9
ÖVNINGSUPPGIFTER KAPITEL 9 STOKASTISKA VARIABLER 1. Ange om följande stokastiska variabler är diskreta eller kontinuerliga: a. X = En slumpmässigt utvald person ur populationen är arbetslös, där x antar
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 merFrågorna 1 till 6 ska svaras med sant eller falskt och ger vardera 1
ATM-Matematik Mikael Forsberg 6-64 89 6 Matematik med datalogi, mfl. Skrivtid:. Inga hjälpmedel. Lösningarna skall vara fullständiga och lätta att följa. Börja varje ny uppgift på ny sida. Använd ej baksidor.
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 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 MVE265 Matematisk statistik för V, 2013-01-19
Tentamen MVE6 Matematisk statistik V, 03-0-9 Tentamen består av åtta uppgifter om totalt 0 poäng. Det krävs minst 0 poäng betyg 3, minst 30 poäng 4 och minst 40. Examinator: Ulla Blomqvist Hjälpmedel:
Läs mer0 om x < 0, F X (x) = c x. 1 om x 2.
Avd. Matematisk statistik TENTAMEN I SF193 SANNOLIKHETSLÄRA OCH STATISTIK FÖR 3-ÅRIG Media TIMEH MÅNDAGEN DEN 16 AUGUSTI 1 KL 8. 13.. Examinator: Gunnar Englund, tel. 7974 16. Tillåtna hjälpmedel: Läroboken.
Läs merTentamen i Statistik, STA A10 och STA A13 (9 poäng) 23 februari 2004, klockan 8.15-13.15
Karlstads universitet Institutionen för informationsteknologi Avdelningen för Statistik Tentamen i Statistik, STA A och STA A3 (9 poäng) 3 februari 4, klockan 85-35 Tillåtna hjälpmedel: Bifogad formelsamling
Läs merFöreläsning 6, Repetition Sannolikhetslära
Föreläsning 6, Repetition Sannolikhetslära kap 4 Sannolikhetslära och slumpvariabler kap 5 Stickprov, medelvärden, CGS, binomialfördelning Viktiga grundbegrepp utfall, händelse, sannolikheter, betingad
Läs mer0 om x < 0, F X (x) = x. 3 om 0 x 1, 1 om x > 1.
Avd. Matematisk statistik TENTAMEN I SF9, SF95 SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAGEN DEN 2:E JANUARI 25 KL 4. 9.. Kursledare: Gunnar Englund, 73 32 37 45 Tillåtna hjälpmedel: Formel- och tabellsamling
Läs mer9. Beräkna volymen av det område som begränsas av planet z = 1 och paraboloiden z = 5 x 2 y 2.
Tentamenskrivning för TMS63, Matematisk Statistik. Onsdag fm den 3 juni, 15, V-huset. Examinator: Marina Axelson-Fisk. Tel: 7-88113 Tillåtna hjälpmedel: typgodkänd miniräknare, tabell- och formelhäfte
Läs merRepetitionsuppgifter i Matematik inför Basår. Matematiska institutionen Linköpings universitet 2014
Repetitionsuppgifter i Matematik inför Basår Matematiska institutionen Linköpings universitet 04 Innehåll De fyra räknesätten Potenser och rötter 7 Algebra 0 4 Funktioner 7 Logaritmer 9 6 Facit 0 Repetitionsuppgifter
Läs merR AKNE OVNING VECKA 1 David Heintz, 31 oktober 2002
RÄKNEÖVNING VECKA David Heintz, 3 oktober 22 Innehåll Uppgift 27. 2 Uppgift 27.8 4 3 Uppgift 27.9 6 4 Uppgift 27. 9 5 Uppgift 28. 5 6 Uppgift 28.2 8 7 Uppgift 28.4 2 Uppgift 27. Determine primitive functions
Läs merF14 Repetition. Måns Thulin. Uppsala universitet thulin@math.uu.se. Statistik för ingenjörer 6/3 2013 1/15
1/15 F14 Repetition Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 6/3 2013 2/15 Dagens föreläsning Tentamensinformation Exempel på tentaproblem På kurshemsidan finns sex gamla
Läs merFöreläsning 12: Repetition
Föreläsning 12: Repetition Marina Axelson-Fisk 25 maj, 2016 GRUNDLÄGGANDE SANNOLIKHETSTEORI Grundläggande sannolikhetsteori Utfall = resultatet av ett försök Utfallsrum S = mängden av alla utfall Händelse
Läs merIndustriell matematik och statistik, LMA136 2013/14
Industriell matematik och statistik, LMA136 2013/14 14 Februari 2014 Disposition ion Funktioner av stokastiska variabler E[aX + b] = ae[x ] + b Var(aX + b) = a 2 Var(X ) E[g(X { )] = x i Ω g(x i)p(x =
Läs merKap 3: Diskreta fördelningar
Kap 3: Diskreta fördelningar Sannolikhetsfördelningar Slumpvariabler Fördelningsfunktion Diskreta fördelningar Likformiga fördelningen Binomialfördelningen Hypergeometriska fördelningen Poisson fördelningen
Läs merLennart Carleson. KTH och Uppsala universitet
46 Om +x Lennart Carleson KTH och Uppsala universitet Vi börjar med att försöka uppskatta ovanstående integral, som vi kallar I, numeriskt. Vi delar in intervallet (, ) i n lika delar med delningspunkterna
Läs merLektion 1: Fördelningar och deskriptiv analys
Density Lektion 1: Fördelningar och deskriptiv analys 1.,3 Uniform; Lower=1; Upper=6,3,2,2,1,, 1 2 3 X 4 6 7 Figuren ovan visar täthetsfunktionen för en likformig fördelning. Kurvan antar värdet.2 över
Läs mer(a) Hur stor är sannolikheten att en slumpvist vald person tror att den är laktosintolerant?
LÖSNINGAR till tentamen: Statistik och sannolikhetslära (LMA12) Tid och plats: 8.3-12.3 den 24 augusti 215 Hjälpmedel: Typgodkänd miniräknare, formelblad Betygsgränser: 3: 12 poäng, 4: 18 poäng, 5: 24
Läs merProblemdel 1: Uppgift 1
STOCKHOLMS UNIVERSITET MT 00 MATEMATISKA INSTITUTIONEN LÖSNINGAR Avd. Matematisk statistik, CH 8 februari 0 LÖSNINGAR 8 februari 0 Problemdel : Uppgift Rätt svar är: a) X och X är oberoende och Y och Y
Läs 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 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 merTentamen LMA 200 Matematisk statistik,
Tentamen LMA Matematisk statistik, Tentamen består av åtta uppgifter motsvarande totalt poäng. Det krävs minst poäng för betyg, minst poäng för 4 och minst 4 poäng för. Examinator: Ulla Blomqvist, ankn
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 merTentamen STA A10 och STA A13, 9 poäng 19 januari 2006, kl. 8.15-13.15
Tentamen STA A10 och STA A13, 9 poäng 19 januari 2006, kl. 8.15-13.15 Tillåtna hjälpmedel: Ansvarig lärare: Räknedosa, bifogade formel- och tabellsamlingar, vilka skall returneras. Christian Tallberg Telnr:
Läs merTentamen i Statistik, STA A10 och STA A13 (9 poäng) Onsdag 1 november 2006, Kl 08.15-13.15
Tentamen i Statistik, STA A och STA A13 (9 poäng) Onsdag 1 november 00, Kl 0.15-13.15 Tillåtna hjälpmedel: Bifogad formelsamling, approximationsschema och tabellsamling (dessa skall returneras). Egen miniräknare.
Läs merLösningar till Tentamen i Matematisk Statistik, 5p 22 mars, 2001. Beräkna medelvärdet, standardavvikelsen, medianen och tredje kvartilen?
Lösningar till Tentamen i Matematisk Statistik, 5p 22 mars, 2001 1. Månadslönerna för 10 lärare vid en viss skola är 1 17 700 19 800 19 900 20 200 20 800 16 100 17 000 23 500 19 700 21 100 Beräkna medelvärdet,
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 merSannolikheten för att barnet skall få blodgrupp A0 A0 1/2 AA 1 AB 1/2 Övriga 0
Avd. Matematisk statistik TENTAMEN I SF191, SANNOLIKHETSTEORI OCH STATISTIK, ONSDAGEN DEN 1:A JUNI 216 KL 8. 13.. Kursledare: Thomas Önskog, 8-79 84 55 Tillåtna hjälpmedel: Formel- och tabellsamling i
Läs merFacit till Några extra uppgifter inför tentan Matematik Baskurs. x 2 x 3 1 2.
KTH Matematik Lars Filipsson Facit till Några extra uppgifter inför tentan Matematik Baskurs 1. Låt f(x) = ln 2x + 4x 2 + 9 + ln 2x 4x 2 + 9. Bestäm definitionsmängd och värdemängd till f och rita kurvan
Läs merTENTAMEN I STATISTIKENS GRUNDER 1
STOCKHOLMS UNIVERSITET Statistiska institutionen Michael Carlson HT2012 TENTAMEN I STATISTIKENS GRUNDER 1 2012-10-03 Skrivtid: kl 9.00-14.00 Godkända hjälpmedel: Miniräknare, språklexikon Bifogade hjälpmedel:
Läs merResultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.).
STOKASTISKA VARIABLER Resultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.). Definition 1. En reellvärd funktion definierad på ett utfallsrum Ω kallas en (endimensionell)
Läs merUtfall, Utfallsrummet, Händelse. Sannolikhet och statistik. Utfall, Utfallsrummet, Händelse. Utfall, Utfallsrummet, Händelse
Utfall, Utfallsrummet, Händelse Sannolikhet och statistik Sannolikhetsteorins grunder HT 2008 Uwe.Menzel@math.uu.se http://www.math.uu.se/ uwe/ Denition 2.1 Resultatet av ett slumpmässigt försök kallas
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 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 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 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 merMATEMATIK Datum: 2014-01-14 Tid: förmiddag Hjälpmedel: inga. Mobiltelefoner är förbjudna. A.Heintz Telefonvakt: Christo er Standar, Tel.
MATEMATIK Datum: -- Tid: förmiddag Chalmers Hjälpmedel: inga. Mobiltelefoner är förbjudna. A.Heintz Telefonvakt: Christo er Standar, Tel.: 7-88 Lösningar till tenta i TMV Analys och linjär algebra K/Bt/Kf,
Läs merStatistikens grunder (an, 7,5 hsp) Tatjana Nahtman Statistiska institutionen, SU
Statistikens grunder (an, 7,5 hsp) Tatjana Nahtman Statistiska institutionen, SU KURSENS INNEHÅLL Statistiken ger en empirisk grund för ekonomin. I denna kurs betonas statistikens idémässiga bakgrund och
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 merCentrala gränsvärdessatsen (CGS). Approximationer
TNG006 F7 25-04-2016 Centrala gränsvärdessatsen (CGS. Approximationer 7.1. Centrala gränsvärdessatsen Vi formulerade i Sats 6.10 i FÖ6 en vitig egensap hos normalfördelningen som säger att en linjär ombination
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 merBIOSTATISTISK GRUNDKURS, MASB11 ÖVNING 8 (2016-05-02) OCH INFÖR ÖVNING 9 (2016-05-09)
LUNDS UNIVERSITET, MATEMATIKCENTRUM, MATEMATISK STATISTIK BIOSTATISTISK GRUNDKURS, MASB11 ÖVNING 8 (2016-05-02) OCH INFÖR ÖVNING 9 (2016-05-09) Aktuella avsnitt i boken är Kapitel 7. Lektionens mål: Du
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 merKolmogorovs Axiomsystem Kolmogorovs Axiomsystem Varje händelse A tilldelas ett tal : slh att A inträar Sannolikheten måste uppfylla vissa krav: Kolmog
Slumpvariabel (Stokastisk variabel) Resultat av ett slumpförsök - utgången kann inte kontrolleras Sannolikhet och statistik Sannolikhetsteorins grunder VT 2009 Resultatet kan inte förutspås, men vi vet
Läs merÖvningssamling Internationella ekonomprogrammet Moment 1
Övningssamling Internationella ekonomprogrammet Moment 1 1. I samband med surveyundersökningar förekommer det olika typer av fel. Redogör för innebörden av följande feltyper och förklara hur dessa typer
Läs merTentamen i Sannolikhetslära och statistik (lärarprogrammet) 12 februari 2011
STOCKHOLMS UNIVERSITET MATEMATISK STATISTIK Louise af Klintberg Lösningar Tentamen i Sannolikhetslära och statistik (lärarprogrammet) 12 februari 2011 Uppgift 1 a) För att få hög validitet borde mätningarna
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 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 merMatematik B (MA1202)
Matematik B (MA10) 50 p Betygskriterier med exempeluppgifter Värmdö Gymnasium Betygskriterier enligt Skolverket Kriterier för betyget Godkänd Eleven använder lämpliga matematiska begrepp, metoder och tillvägagångssätt
Läs merFACIT: Tentamen L9MA30, LGMA30
Göteborgs Universitetet GU Lärarprogrammet 06 FACIT: Matematik för lärare, åk 7-9, Sannolikhetslära och statistik, Matematik för gymnasielärare, Sannolikhetslära och statistik 07-0-04 kl..0-.0 Examinator
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (9 uppgifter) Tentamensdatum 2011-10-25 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 09.00 14.00 Lärare: Adam Jonsson, Lennart
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 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 mera) Vad är sannolikheten att det tar mer än 6 sekunder för programmet att starta?
Tentamen i Matematisk statistik, S0001M, del 1, 2008-01-18 1. Ett företag som köper enheter från en underleverantör vet av erfarenhet att en viss andel av enheterna kommer att vara felaktiga. Sannolikheten
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 merGrundläggande matematisk statistik
Grundläggande matematisk statistik Grundbegrepp, axiomsystem, betingad sannolikhet, oberoende händelser, total sannolikhet, Bayes sats Uwe Menzel uwe.menzel@slu.se 23 augusti 2017 Slumpförsök Ett försök
Läs merSTYRNING AV PORTFÖLJER MED FLERA TILLGÅNGAR
1 STOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN Avd. för Matematisk statistik Thomas Höglund FINANSMATEMATIK I. KOMPLEMENT DAG 13. STYRNING AV PORTFÖLJER MED FLERA TILLGÅNGAR Hittills har vi betraktat
Läs merAvd. Matematisk statistik
Avd. Matematisk statistik TENTAMEN I SF1902 SANNOLIKHETSTEORI OCH STATISTIK MÅNDAGEN DEN 15:E AUGUSTI 201 KL 8.00 13.00. Kursledare och examinator : Björn-Olof Skytt, tel 790 849. Tillåtna hjälpmedel:
Läs merRäkna med variation - Digitala uppgifter Studiematerial i sannolikhetslära och statistisk inferens. Lena Zetterqvist och Johan Lindström
Räkna med variation - Digitala uppgifter Studiematerial i sannolikhetslära och statistisk inferens Lena Zetterqvist och Johan Lindström 29 oktober 25 Innehåll Beskrivning av data 5 2 Grundläggande sannolikhetsteori
Läs merLösningar till tentamen i Matematisk Statistik, 5p
Lösningar till tentamen i Matematisk Statistik, 5p LGR00 6 juni, 200 kl. 9.00 1.00 Kursansvarig: Eric Järpe Maxpoäng: 0 Betygsgränser: 12p: G, 21p: VG Hjälpmedel: Miniräknare samt tabell- och formelsamling
Läs merhttp://www.leidenhed.se Senaste revideringen av kapitlet gjordes 2014-05-08, efter att ett fel upptäckts.
Dokumentet är från sajtsidan Matematik: som ingår i min sajt: http://www.leidenhed.se/matte.html http://www.leidenhed.se Minst och störst Senaste revideringen av kapitlet gjordes 2014-05-08, efter att
Läs mer5. BERÄKNING AV SANNOLIKHETER
5. BERÄKNING V SNNOLIKHETER 5.1 dditionssatsen Viharnukommitframtilldetstegdärvikanbörjaatträknapraktisktmed sannolikheter. Vi skall utveckla olika regler och begrepp som är nödvändiga för att praktiskt
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 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 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 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 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 merTentamen i Matematisk statistik, LKT325, 2010-08-26
Tentamen i Matematisk statistik, LKT35, 010-08-6 Uppgift 1: Beräkna sannolikheten P(A B) om P(A C B) = 0.3 och P(B C ) = 0.6 Uppgift : Sannolikheten för att behöva kassera en balk p.g.a. dålig hållfasthet
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 merResultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.).
STOKASTISKA VARIABLER Resultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.). Definition 1. En reellvärld funktion definierad på ett utfallsrum Ω kallas en (endimensionell)
Läs merBeskriv hur du, utan att räkna alla pärlor, kan göra en god uppskattning av hur många pärlor som finns av respektive färg. 2/0/0
Del A: Digitala verktyg är tillåtna. Skriv dina lösningar på separat papper. 1) En burk innehåller 10 000 pärlor i fyra olika färger. eskriv hur du, utan att räkna alla pärlor, kan göra en god uppskattning
Läs merLärmål Sannolikhet, statistik och risk 2015
Lärmål Sannolikhet, statistik och risk 2015 Johan Jonasson Februari 2016 Följande begrepp och metoder ska behärskas väl, kunna förklaras och tillämpas. Direkta bevis av satser från kursen kommer inte på
Läs merBeskrivande statistik Kapitel 19. (totalt 12 sidor)
Beskrivande statistik Kapitel 19. (totalt 12 sidor) För att åskådliggöra insamlat material från en undersökning används mått, tabeller och diagram vid sammanställningen. Det är därför viktigt med en grundläggande
Läs merP(ξ > 1) = 1 P( 1) = 1 (P(ξ = 0)+P(ξ = 1)) = 1 0.34. ξ = 2ξ 1 3ξ 2
Lösningsförslag TMSB18 Matematisk statistik IL 101015 Tid: 12.00-17.00 Telefon: 101620, Examinator: F Abrahamsson 1. Varje dag levereras en last med 100 maskindetaljer till ett företag. Man tar då ett
Läs merSannolikhetslära. 1 Grundläggande begrepp. 2 Likformiga sannolikhetsfördelningar. Marco Kuhlmann
Marco Kuhlmann Detta är en kompakt sammanfattning av momentet sannolikhetslära som ingår i kurserna Matematik 1b och 1c på gymnasiet. I slutet av dokumentet hittar du uppgifter med vilka du kan testa om
Läs merfaderns blodgrupp sannolikheten att barnet skall få blodgrupp A0 A0 1/2 AA 1 AB 1/2 Övriga 0
Avd. Matematisk statistik TENTAMEN I SF1902 SANNOLIKHETSTEORI OCH STATISTIK, TISDAGEN DEN 9:E JUNI 2015 KL 14.00 19.00. Kursledare och examinator : Björn-Olof Skytt, tel 790 8649. Tillåtna hjälpmedel:
Läs merWienerprocesser. Finansiell statistik, vt-05. Enkel slumpvandring. Enkel slumpvandring. Varför: model för aktiekurs (dock med aber...
Varför: model för aktiekurs dock med aber... exempel: Black-Scholes jfr Binomialoptionsmodellen Johan Koskinen Statistiska institutionen Stockholms universitet Finansiell statistik vt-05 F5 Tidsserieanalys
Läs merResultatet läggs in i ladok senast 13 juni 2014.
Matematisk statistik Tentamen: 214 6 2 kl 14 19 FMS 35 Matematisk statistik AK för M, 7.5 hp Till Del A skall endast svar lämnas. Samtliga svar skall skrivas på ett och samma papper. Övriga uppgifter fordrar
Läs merAvd. Matematisk statistik
Avd. Matematisk statistik TENTAMEN I SF1913 MATEMATISK STATISTIK FÖR IT OCH ME ONSDAGEN DEN 12 JANUARI 2011 KL 14.00 19.00. Examinator: Camilla Landén, tel. 7908466. Tillåtna hjälpmedel: Formel- och tabellsamling
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 merMatematik 5 Kap 3 Derivator och Integraler
Matematik 5 Kap 3 Derivator och Integraler Inledning I kap 4 Differentialekvationer behövs derivator (och integraler) och i kap 5 Omfångsrika problemsituationer finns intressanta problem med användning
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 mer