. Om man har n stycken valsituationer med k valmöjligheter var, är det totala antalet valmöjligheter k.

Storlek: px
Starta visningen från sidan:

Download ". Om man har n stycken valsituationer med k valmöjligheter var, är det totala antalet valmöjligheter k."

Transkript

1 . Saolihetslära. Kombiatori Vad är saolihetslära? Ma a allmät säga att iom saolihetslära försöer ma beräa chaser eller riser. Det a seda vara fråga om chase att via på lotto eller rise att bli sju i e sjudom. För att ua beräa olia saoliheter rävs att ma a beräa atalet möjligheter som a uppomma. I det här apitlet jobbar vi med ombiatori. Vi har olia regler vi a följa, och vi sall u se på ågra av dem. Multipliatiospricipe. Ma vill omma frå stade A till stade D via städera B och C. Mella A och B går två vägar, mella B och C går vägar och mella C och D går vägar. Hur måga olia rutter a ma välja mella Aoch D? Frå A till B a ma välja två olia rutter. Mella B och C a ma välja fyra olia rutter och frå C till D a ma välja mella två rutter. Atalet olia rutter mella A och D är: 6. Sats. Om ma står iför e serie valsituatioer umrerade,,, med,,, valmöjligheter, är det totala atalet valmöjligheter. Om ma har styce valsituatioer med valmöjligheter var, är det totala atalet valmöjligheter. Hur måga olia strytipsrader a ma tippa? De som tippar gör val. I varje val har ha tre möjligheter, X. Atalet ombiatioer är: 9. Kapitel - 7 -

2 Val med häsy till ordige. På hur måga sätt a persoer placeras i e ö? De första a väljas på olia sätt, de adra a väljas på olia sätt, de tredje på tre olia sätt, de fjärde på olia sätt och de sista på ett sätt. Atalet möjligheter blir eligt multipliatiospricipe: 0 olia sätt. Allmät a ma resoera på samma sätt för persoer. De första a väljas på olia sätt, de adra på olia sätt osv.. Atalet möjligheter är: ( )( ). Det är ju gasa opratist att varje gåg behöva sriva ut hela uttrycet och därför har ma ifört följade defiitio: Defiitio. Med! avses för alla ice-egativa aturliga tal :! ( )( ) Ytterligare har ma defiierat 0!! utläses faultet Vi sall ge ågra ituitiva förlarigar på ord som ofta ommer att dya upp iom ombiatorie och saolihetslära. I urse Propedeutis matemati I defiierade vi begreppe elemet och mägd. I det ovaståede exemplet allas e perso ett elemet. Gruppe på fem persoer räer vi på som e mägd. Att placera elemet ur e mägd i e bestämd ordig, eller som vi gjorde, placerade persoer ur e grupp i e bestämd ordig, allas att bilda e permutatio. Sats. Atalet permutatioer av e mägd beståede av elemet är! Styrelse i studetföreige Sigma består åtmiståe av ordförade, viceordförade, assör, sereterare, ompedieassör och värd. a) I år har sex persoer blivit ivalda till styrelse. På hur måga olia sätt a de fördela postera mella sig? Postera a fördelas på 6! olia sätt, detta med stöd av ovaståede sats. 6! 70 Kapitel - 8 -

3 b) På hur måga sätt a de båda assörspostera fördelas mella de sex ivalda? Till de första poste a det väljas mella 6 persoer och till de adra a ma välja mella de återståede persoera. Atalet ombiatioer är 6 0. Vi sall äma resultatet i b) i e sats. Vi såg ju på atalet permutatioer då vi valde elemet ur e mägd med 6 elemet. Sats. Atalet permutatioer om elemet ur e mägd med elemet är:! ( )( ) ( ( )) ( )! I exempel b) ova var ju och 6. Detta blev: 6! 6 0.! Val uta häsy till ordige. Iom Sigma har ma bildat e årsfestommitté. Till dea sall två represetater frå styrelse väljas. På hur måga sätt a detta se? Detta är ite samma exempel som i b) ova. Här är det ju bara fråga om att välja två persoer av sex, de ibördes ordige mella dem spelar ige roll. I exempel b) bildade varje par av persoer två olia ombiatioer, då perso ett ude vara assör och perso två var ompedieassör, och vice versa. Rimligtvis borde atalet ombiatioer vara hälfte så måga ä om ma tar häsy till ordige. Detta betyder att två persoer sulle ua väljas till ommittee på olia sätt. Allmät a vi resoera liadat. Sall vi välja elemet ur e mägd på elemet uta häsy till ordige går det till på följade sätt: Om ma väljer med häsy till ordige sulle vi få:! olia permutatioer. ( )! Nu är vi ju i de sitauatioe att i detta atal igår! sätt, som edast siljer sig ifrå varadra i fråga om de utvaldas ibördes ordig. Vi måste alltså dividera uttrycet ova med! för att rätta till för detta. Vi a alltså välja elemet ur e mägd med elemet uta häsy till ordige på Kapitel - 9 -

4 ! ( )!! sätt. Detta bruar betecas på ett speciellt sätt: Defiitio. Med, (läses över ) avses för de aturliga tale och ( > 0 och ): ( )( ) ( ( ))!.! ( )!! Vi bruar alla e följd uta bestämd ordig för e ombiatio (jfr. permutatio). Sats. Atalet ombiatioer om elemet av e mägd med elemet är:!.!( )! I e lass fis pojar och flicor. Klasse har 8 lärare. För att orda e lassresa väljs e ommitte, som består av pojar, flicor och lärare. Hur måga olia ommitteer a ma välja? Pojara a väljas på 8 sätt. sätt, flicora på sätt och lärara a väljas på Alla dessa grupper a ma ombiera fritt. Det betyder att det totala atalet sätt ma a välja ommitteer på är: olia sätt.. Empiris saolihet Vad meas med saolihet? Vi sall se på ett lassist exempel. Kapitel

5 Vi täer oss att vi astar tärig. När vi astar e tärig a vi få upp atige,,,, eller 6. Vi täer oss att vi har e symmetris tärig. Detta leder till att chase att få upp e etta är lia stor som chase att få upp e sexa. Vi sall u göra ett empirist försö (ett experimetellt försö). Vi sall asta e tärig atal gåger och se hur stor procet av aste som visar, osv. Deras procetuella adel allas de relativa frevese. I följade försö har jag simulerat tärigsast med 00, 00, 000 och S:a.000 De teoretisa saolihete för att få e etta är ma astar e tärig är: Vi ser att med större atal ast ommer vi i regel ärmare det talet. Vi ser ocså att sillade mella de största relativa frevese och de mista relativa frevese misar med större atal tärigsast. Saolihetera ärmar sig varadra, vilet vi ocså a se ur grafera. Detta ger upphov till följade sats: Sats. Atag att A är e bestämd hädelse, som asluter sig till ett slumpmässigt försö. Försöet utförs gåger och atalet försö som leder till att A iträffar atas vara (. Om de relativa frevese visar sig vara stabil, dvs om de varierar rig ett bestämt tal och ärmar sig detta tal allteftersom atalet försö öar, sägs talet vara de empirisa saolihete för hädelse A. Vi betecar talet (dvs de empirisa saolihete) P ( och sriver: ( P( lim.. Det lassisa saolihetsbegreppet Vi har defiierat saolihete utgåede frå empiris saolihet. Med empiris saolihet meade de saolihet ma får fram geom upprepade försö av samma experimet. Vi experimeterade och simulerade ast med e tärig. Dea defiitio Kapitel - 6 -

6 saar doc e del. Hela defiitioe bygger på experimet, som a få olia utfall beroede på förhållade i experiemetet osv. Vi sall därför bygga upp e mer matematis hållbar modell. Först måste vi defiiera e del begrepp. De olia resultat eller utfall ma a få vid ett försö allar vi elemetarhädelser. Alla möjliga elemetarhädelser bildar e mägd. De mägde allar vi ett utfallsrum. Det betyder att de olia resultat ma a få vid ett försö allas ett utfallsrum. Vi betecar utfallsrummet med stor bostav, ex. U. Om vi ser på e delmägd av utfallsrummet allar vi detta för e hädelse. I vårt exempel med ast med tärigar var elemetärhädelsera,,,, och 6. Tillsammas bildade de utfallsrummet U{,,,,,6 }. Utfallsrummet är alltså mägde av elemetärhädelser. Om vi astar e tärig och udersöer hur ofta vi får eller 6, då udersöer vi hur ofta hädelse {,6} iträffar. Hädelse är e delmägd till utfallsrummet. Nu är vi har defiierat edel grudbegrepp a vi gå över till att defiiera begreppet saolihet. Defiitio. Atag att U är e (ädlig) mägd, som består av möjliga utfall vid ett slumpmässigt försö, och att A är e godtyclig hädelse, så att A U. Saolihete för hädelse A, d v s saolihete för att resultatet av försöet sall vara ett elemet i A är då: ( P (. ( U ) De lassisa saolihete för e hädelse är således Kvote av atalet gysamma utfall och atalet möjliga utfall. Vi udersöer försöet dra ett ort ur e valig ortle och hädelsera: a) det draga ortet är spader b) det draga ortet är rött c) det draga ortet är e et, e dam eller e ug. I vår defiitio ova sall vi u för att få saolihete dividera atalet gysamma utfall med atalet möjliga utfall. (U ), dvs atalet möjliga utfall är, eftersom vi a få olia ort är vi drar ett ort ur e ortle. Kapitel - 6 -

7 a) om vi ser på hädelse att ortet är spader, fis det möjliga elemetarhädelser som satisfierar dea hädelse (dvs de spaderorte). Saolihete är således: ( P ( ( U ) b) För hädelse att vi får ett rött ort har vi att ( 6. Detta leder till att: ( 6 P ( ( U ) c) För hädelse att vi får e et, e dam eller e ug har vi att (. Vi får: ( P (. ( U ) När vi drar ett ort ur e ortle täer vi oss att det är lia stor saolihet att dra vilet ort som helst. Detta allas liformig saolihetsfördelig och aväds alltid är ma räar med de lassisa saolihete. Vi ommer seare att gå i på möjlighete att olia elemetarhädelser iträffar med olia stor saolihet. Att vi har att göra med e liformig saolihetsfördelig förstår vi av att ma på måfå drar ett ort, eller att ma slumpmässigt drar ett ort. Ma a ocså förstå det utgåede frå problemets atur. Bestäm saolihete att få poägsumma 7 eller 8 vid ast med två tärigar. Vilet är utfallsrummet? Jo U består av olia talpar ( x, y) som ma a få är ma astar med två tärigar. Vi a bilda U som: {(, ), (, ), (,),(, ), (,)(, ),,( 6, ), ( 6,),,( 6,6) } U. Om vi ser på: A poägsumma 7 eller 8 vid ast med två tärigar Ka vi se att gysamma utfall är: {(,6 ), (,),(,6),(,),(,),(, ), (,),(,),(, ), ( 6, ), ( 6,) } A. Kapitel - 6 -

8 ( och (U ) 6 vilet ger: P (. 6 Ur e ortle dras ort. Vad är saolihete att de alla är spader? Vi sall u se på hädelse A ort dras och alla är spader. Utfallsrummet U är alla ombiatioer av ort som vi a få är vi drar fem ort. E elemetärhädelse är t.ex. u { spader, löver 6, hjärter ug, hjärter dam, löver 9}. Atalet elemetärhädelser, (U ), är eligt de regler vi lärde oss I apitlet om ombiatori: (U ). Hädelse A iefattar alla hädelser, sådaa att de fem orte är spader. Hur måga sådaa ombiatioer fis det? (, som är atalet ombiatioer som är gysamma ges av: (. Saolihete P ges u av: (!!7! 0 9 P ( 0,0009 ( U )!8!! Dvs, alltså uder 0,% chas! Dra fem ort ur e ortle. Vile är saolihete att exat tre av dem är spader? Atalet spaderombiatioer som vi a bilda med tre ort är: Kapitel - 6 -

9 . De ort som ite är spader a ombieras på 9 olia sätt. Detta eftersom de är 9 till atalet och vi väljer två styce av dem. Dessa ombiatioer av spaderort och ice-spaderort a fritt varieras. Eftersom atalet ombiatioer då fem ort väljs ur e pace är är saolihete att få exat tre spaderort är ma på måfå väljer fem ort ur e pace: Räeregler Vi sall u bilda och härleda ågra regler, utgåede frå de lassisa saolihetsdefiitioe. Regler. Vi atar att A och B är hädelser i utfallrummet U. Då gäller: (i) 0 P ( Bevis. 0 ( ( U ) 0 ( ( U ) ( U ) ( U ) ( U ) 0 P( (ii) P ( U ) P ( ø) 0 (iii) P ( A B) P( + P( B) om A B ø. Kapitel - 6 -

10 Bevis. ( h och ( B) och ågot elemet i A fis ite i B. Mägde A B iehåller då h + elemet. ( A B) P( A B) ( U ) h + ( U ) ( ( B) + ( U ) ( U ) P( + P( B) Utgåede frå regel (ii) bruar ma tala om att saolihete för e omöjlig hädelse är 0 och saolihete för e säer hädelse är. Vi sall ta ett exempel på räeregel (iii): Vad är saolihete att få samma sida upp tre gåger efter vara är ma astar ett myt? Ma astar alltså ett myt. Vad är saolihete att få { roa roa, roa} { lave, lave, lave}? Vi har 8 möjliga utfall (varför?). Två av dessa är: { roa, roa roa} { lave, lave lave} A, och B,., eller A och B iehåller ite liadaa elemet. Det fis ett elemet i A och ett elemet i B. Saolihete blir alltså: P ( A B) P( + P( B) Vi sall ytterligare fortsätta med ågra regler: Regler. Atag att A och B är hädelser i utfallsrummet U. Då gäller: C (iv) P(U \ P(A ) P(. Dvs, saolihete för omplemethädelse är mius saolihete för A. (v) Atag att A B. Då gäller: Kapitel

11 P(B \ P(B) - P(. Dvs, saolihete för hädelse B mius hädelse A, då A är e udermägd till A, är saolihete för B-saolihete för A. (vi) För alla hädelser A, B U gäller: P( A B) P( + P( B) P( A B). Bevis. Atag att det fis h elemet i A, elemet i B och i elemet i A B. ( i h, ). P ( A B ) ( A B ) ( U ) ( + ( B ) ( A B ) ( U ) ( ( B ) ( A B ) + ( U ) ( U ) ( U ) E lottförsäljare har 00 lotter, varav ger vist. E perso öper lotter. Vad är saolihete att ha får åtmiståde e vist? Komplemethädelse är här att ha ite får ågo vist. Det är i måga fall mer pratist att räa ut saolihete för omplemethädelse. A Åtmiståde e vist C A ige vist C P( P( A ). 9 Saolihete att ite få vist med de första lotte är, eftersom det fis 9 00 lotter som ite ger vist och sammalagt 00 lotter. 9 Saolihete att få e itlott i de adra omgåge är, eftersom det fis 9 99 itlotter av 99 var. Kapitel

12 C 9 9 P( A ) 0, C P( P( A ) Dea saolihet ude äve ha beräats som: Beräa P( A B) då U A B och P (. 8 och P ( B).. Diret isättig i formel P( A B) P( + P( B) P( A B) ger att: x x 0... Oberoede hädelser Vi sall i de följade apitle gå i på vissa specifia saolihetsproblem Det är ofta till just dessa ma ommer tillbaa är ma vill ha löst ågot problem. Det första begreppet är oberoede hädelse som itroduceras med hjälp av ett exempel. Ett ort dras ur e ortle. Med vile saolihet är orte spader äss?` Svaret är. Vi ude ocså täa oss tillvägagåssättet: P (" spader") P(" äss") P(" spaderäss"). Vi a fråga oss om detta är e allmä regel eller om det är e tillfällighet. När vi defiierar begreppet oberoede hädelser utgår vi frå just detta. Om två hädelser är oberoede av varadra betyder det att saolihete att båda hädelsera sall iträffa är saolihete att de ea hädelse sall iträffa gåger saolihete att de adra hädelse sall iträffa. Vi sammafattar i e defiitio: Kapitel

13 Defiitio. Atag att A och B är hädelser i utfallsrummet U. Om hädelsera är oberoede, gäller: P( A B) P( P( B). Detta betyder i larsprå att: iformatioo om att de ea har iträffat påverar ite saolihete för de adra hädelse att iträffa. Defiitioe a i det allmäa fallet gälla mer ä två hädelser. Tre bowlare slår strie med saolihete 0%, 60% resp 70%. Vile är saolihete för mist e strie om alla slår e gåg? Vi ser på hädelse: A mist e strie Komplemethädelse C A är de att ige slår e strie. Vi sall se på dea: De tre bowlaras resultat är oberoede av varadra. A C P( A " ige strie" C ) ( 0.) ( 0.6) ( 0.7) P( Oberoede försö Begreppet oberoede försö ligger mycet ära oberoede hädelse. När vi defiierade oberoede hädelse utgic vi frå två hädelser i samma utfallsrum U. När vi defiierar oberoede försö utgår vi frå hädelser i olia utfallsrum. Om dessa hädelser ite påverar varadra talar vi om oberoede försö. Defiitio. Atag att e är e godtyclig hädelse i utfallsrummet E och f är e godtyclig hädelse i utfallsrummet F samt att E och F är utfallsrum i två oberoede försö. Då gäller: P( e f ) P( e) P( f ). Kapitel

14 Vi siglar först slat och astar seda e tärig. Vile är saolihete att få e lave och e :a eller e 6:a? Vi har två utfallsrum, som defiieras som: F E { roa, lave} {,,,,,6 } De hädelser vi ser på allar vi f och e och: f e { lave} {,6} Saolihete att få lave och e :a eller e 6:a fås (eftersom försöe görs oberoede av varadra) som: ( e) ( f ) P ( e f ) P( e) P( f ). ( E) ( F) 6 6 Vi ude ocså täa oss att försöe sulle vara beroede av varadra. Ett ex. vore om vi ser på väderlee. Vi a täa oss att vi udersöer hur stor saolihete är att Aura å är fruse och att vi udersöer saolihete att vi har allare ä tio miusgrader i Åbo. Utfallet i dessa två försö är rimligtvis beroede av varadra. Ser vi på saolihete att Aura å är fruse och det är allare ä tio miusgrader gäller ite sambadet: P( fruse å och allare ä 0 ) P( fruse å )P( allare ä 0 ) Vi siglar slat gåger. Vile är saolihete att lave föreommer åtmiståe e gåg? Vi a se på varje slatsiglig som ett oberoede försö. Detta eftersom resultatet av ett ast ite är beroede av föregåede ast. Komplemethädelse till åtmiståe e lave är att vi ite får e eda lave. Vi sätter: A bara roor är vi astar myt gåger. Dea uträas som: Kapitel

15 P( Saolihete för åtmiståe e roa ges av:..7 Additio och multipliatio av saoliheter Tre ort dras ur e ortle. Vile är saolihete att det första och det tredje ortet är spader? Vile är saolihete att exat två ort är spader? Vi sall aalysera detta med hjälp av ett träd. Vi vet att ma atige a få spader, eller så får ma ite. Om vi iför betecigara: S " spader" A " aat ort" gäller det att vi sall få ombiatioe SAS. Saolihete för dea hädelse är: 9 0,09. 0 Om vi istället alayserar saolihete att exat två ort är spader, ser vi att följade ombiatioer är godtagbara: SSA, SAS, ASS Dessa hädelser är tydlige uteslutade av varadra. Vi vet att P ( A B C) P( + P( B) + P( C) om hädelsera är uteslutade. Vi får: P ( SS + P( SAS) + P( ASS) Kapitel - 7 -

16 Att veta är ma sall addera eller multiplicera saoliheter är ite alltid så lätt. E regel är att är ordet och äms så hadlar det ofta om multipliatio, meda ordet eller oftare a associeras till additio. Samtidigt a ma påmia om att hör ihop med additio och hör ihop med multipliatio. Saolihete att hädelse A och hädelse B iträffar är P( P( B) om de är oberoede. Saolihete att hädelse A eller hädelse B iträffar är P ( + P( B) om A och B är oberoede av varadra. Ett gott råd är ma sall lösa saolihetsproblem är att rita upp alla möjligheter på ett papper, samt att oggrat täa igeom uppgifte. Iom saolihetslära löar det sig aldrig att ha bråttom! Saolihete att e bra oc gör god mat är 90% och saolihete att e dålig oc gör god mat är 0%. E oc väljs på måfå ur e grupp med 60% bra ocar och 0% dåliga. Vad är saolihete att de valda oce lagar god mat? Vi har två typer av ocar och två typer av mat. Geom att ombiera dem på olia sätt a vi få olia mat. För att få god mat a vi atige ha e dålig oc som gör god mat eller e bra oc som gör god mat. P (" god mat") I ura A fis fyra röda och tre vita ulor och i ura B fis fem röda och sex vita ulor. E ula tas ur A och sätts i B. Därefter dras fyra ulor ur B. Vile är saolihete att de alla är vita? Atige dras e vit eller e röd ula ur A. P(" vit ula") 7. P(" röd ula") 7 I ura B fis u ulor. Om vi flyttat e röd ula till B så fis det sex röda och sex vita ulor. Om vi flyttat e vit ula till B fis det fem röda och sju vita ulor i B P(" fyra vita ") Kapitel - 7 -

17 .8 Biomialsaolihet Vi täer oss att vi gör ett försö gåger. Vi är itresserade av hädelse A som iträffar med saolihete P ( p. Atige iträffar hädelse A i ett försö eller så gör de det ite. Saolihete att hädelse ite sall iträffa är ( p). Vi udersöer de speciella hädelse att A iträffar gåger på försö. Atag att 0, dvs att hädelse A ite alls iträffar. Saolihete för detta är ( p). Saolihete att hädelse A iträffar i varje försö är Vi a besriva vila styce gåger A iträffar geom att välja e delmägd med med styce elemet ur mägde {,,,}. På hur måga olia sätt a dessa delmägder väljas? Hur måga ombiatioer av elemet a vi välja ur e mägd på elemet? Jo, eligt satse i apitel. a delmägdera väljas på olia sätt. Vi sall se på följde att A iträffa i de första försöe me ite seda. Eftersom vi har försö allt som allt gäller det att saolihete för detta är: p. p ) ( p. Detta är ocså saolihete för varje hädelseserie, som iebär att A iträffar gåger. Eftersom atalet ombiatioer är så är saolihete att A sall iträffa gåger: p p ( ). Sats. Ett försö, där hädelse A iträffar med saolihete p, utförs gåger så, att försöe är oberoede av varadra. Om A står för hädelse att A iträffar exat gåger i dessa försö, 0, gäller det att: P( A ) p ( p) Dea sats allas satse om biomialsaolihet. Kapitel - 7 -

18 Saolihete att det regar uder e dag är 0.. Vad är saolihete att det regar två dagar uder e veca? Vile är saolihete att det regar på mådag och fredag? Vi atar i uppgifte att hädelse det regar är oberoede av om det regat föregåede dag. Saolihete att det regar två dagar uder e veca ges eligt satse ova av: ! 0.!! Saolihete att det regar e viss dag är 0.. Därför är saolihete att det regar på mådag och fredag (hädelsera oberoede): Saolihete att ett friast i orgboll lycas atas vara 80%. Beräa saolihete att åtmiståe av friast lycas. Vi sall fudera på problemet lite. Att åtmiståe av ast lycas betyder att, eller ast lycas. Dessa hädelser är varadra uteslutade, för ma a ju ite prica gåger samtidigt som ma pricar gåger. Vi betecar: A prica gåger i orge på ast. P( A A A ) P( A ) + P( A ) + P( A 0.8 ) Vad är saolihete att roa uppträder för adra gåge i det sista astet om ma siglar slat fem gåger? Vi sall behadla detta som två oberoede försö. I det första försöet udersöer vi hädelse att få e roa är ma siglar slat fyra gåger. Det adra försöet Kapitel - 7 -

19 udersöer vi saolihete för hädelse roa. Dessa försö är oberoede av varadra, och därför fås saolihete som: P (" e roa vid fyra försö") P(" roa") Hur måga bar bör det fias i e familj för att saolihete sall vara att åtmiståe två av bare är pojar? Vi täer oss att saolihete för poje och flica är lia stor. Komplemethädelse till åtmiståe två pojar är oll eller e poje. Saolihete för dea hädelse är -P( åtmiståe två pojar ) P( åtmiståe två pojar )-P( oll eller e poje ) 0 ( ) ( + ) 0. ( + ) Dea evatio är ite lätt att lösa explicit, me vi a pröva med olia värde och se vad vi får. Eftersom vi udersöer saolihete för åtmiståe två pojar börjar vi med : 0. ( + ) ( + ) ( + ) ( + ) Vi drar alltså olusioe att om vi har fem bar eller fler så är saolihete att vi har åtmiståe två pojar större ä 7%. Kapitel - 7 -

20 .9 Stoastis variabel I förra apitlet beräade vi biomialsaoliheter. I det här aptlet ommer vi att bredda oss lite. Vi täer oss att vi astar pil på e piltavla. Saolihete att träffa tavla är 0.8 och saolihete för e miss är 0.. Om vi atar att vi har pilar och vi vill udersöa saolihete för träffar, a vi få dea saolihet som: Atag u att vi vill udersöa saolihete för att få 0,,,, eller träffar då vi har pilar. Vi sall se på dea: Om vi summerar de olia saolihterea ommer vi till. Detta är ju gasa aturligt, eftersom vi har täct alla möjligheter, dvs hela utfallsrummet. När vi astar med pilar a vi få 0- träffar. Vi ritar upp ett stolpdiagram som visar de olia saolihetera: Kapitel

21 Detta allas e biomial saolihetsfördelig. Vi a läsa ut saolihete för atalet träffar. För varje astomgåg a vi få olia resultat, tex serie {t m t t m} (tträff och mmiss) eller serie {t t t t m}. Om vi ser på dessa resultat är atalet träffar e futio av varje resultatserie. Om vi läser i serie {t m t t m} i futioe atalet träffar spottar de ut svaret. E futio som tar i e hädelse frå ett utfallsrum och spottar ut ett reellt tal allas e stoastis variabel. Stoastis variabel är alltså ige variabel som amet missvisade säger, uta de är e futio. E stoastis variabel betecas med e uderstrecad lite bostav, ex x. Om vi allar de stoastisa variabel (s.v.) atalet träffar på fem försö för x får vi att defiitiosmägde är alla olia resultatserier ma a bilda. Värdemägde är {0,,,,,}. De stoastisa variabel x har e ädlig värdemägd och allas disret. Sambadet mella de värde som de stoastisa variabel atar och deras saoliheter besrivs med frevesfutioe f. För atalet träffar gäller t.ex att f ( ) Ma bruar beteca: p P( x ) () saolihete för x att ata värdet f Vi sall u sammafatta dessa ya begrepp i e defiitio: Defiitio. E stoastis variabel x är e futio frå ett empirist utfallsrum till e delmägd av R. De stoastisa variabel x (och dess fördelig) är disret, om dess värdemägd är ädlig (eller oädlig me uppräelig). Kapitel

22 Frevesfutioe f för de stoastisa variabel x ager saolihete för varje värde som x atar och f x ) p P( x x ). ( Sats. Atag att { x x x },,, är värdemägde för de s.v. x. Då gäller det att ( ) + ( ) + + ( ). f x f x f x.0 Disreta saolihetsfördeligar De fördelig som vi allade biomial saolihetsfördelig allas ocså för e biomialfördelig. Vi såg hur biomialfördelige såg ut med. Allmät defiieras de som: Biomialfördelig. För e biomialfördelig gäller: p p ( p) där p ] 0,[, Z + och 0,,,,,. Att de stoastisa variabel x är biomialfördelad bruar betecas med att: x ~ Bi(, p) där och p allas parametrar. När ma äer ige parametrara äer ma helt till fördelige. Bestäm saolihetsfördelige för de stoastisa variabel x atalet ögo som fås vid ett tärigsast. Varje ögotal har saolihete 6. Vi a sriva: f ( ) f () f () f () f () f (6) diagram: 6. Vi sall åsådliggöra detta i ett Kapitel

23 Vi allar detta e liformig fördelig. Liformig Fördelig. Frevesfutioe för e liformig fördelig är: p p p.. E fördeligs arateristior Vi såg att ma helt ude besriva e biomialfördelig m.hj.a. dess parametrar och. Med hjälp av dessa a vi exat få reda på saolihetsfördelige. Om vi vill jämföra olia fördeligar säger doc ite parametervärdea så mycet. I e fördelig a ju ett parametervärde betyda e helt aa sa ä i e aa fördelig. För att ua jämföra och olia fördeligar och speciellt för att få e besrivig av e fördelig har ma defiierat arateristior. Dessa är värde som är arateristisa för fördelige, värde som på ett objetivt sätt besriver fördelige. De första arateristia vi sall defiiera ager ett vätevärdet. Återalla exemplet med pilastig. Vi täer oss ågra pilastare, ia de astat. Vi vet hur fördelige ser ut för atalet träffar i tavla. Nu besriver vätevärdet det atal träffar vi a förväta oss att var och e får, ia de astat. Vi defiierar: Defiitio. E stoastis variabel atas ha värdemägde { x, x,, } x med tillhörade saolihetsfördelig p, p, p. Vätevärdet av de stoastisa variabel x är ett vägt medelvärde av elemete i värdemägde med motsvarade saoliheter som viter, dvs om vätevärdet betecas E x, Kapitel

24 E x p x p x + p x + + i i i p x. Vi sall u se på de liformiga fördelige. För de liformiga fördelige gäller ju att p p. Isättig i formel för vätevärdet ger att: p E x p x + p x + + p x x + x + + x ( x + x + + x För e biomialfördelad s.v. med parametrara och p och värdemägde V x 0,,, gäller (uta bevis) att: { } E x p. ). Vätevärdet för ast med tärig är: 7 ( ). 6 Detta för att vi har att göra med e liformig fördelig med p i. 6 Värdemägde för de stoastisa variabel är: {,,,,,6 }. Atalet träffar i e piltavla täer vi oss att är biomialfördelat med parametrara och 0.8. Beräa vätevärdet. Frå formel ove vet vi att vätevärdet är p vilet är 0.8. Nu säger ite vätevärdet allt. Ma a ase udra hur fördelige ser ut rig vätevärdet. Är det stor saolihet att de s.v. atar värde ära vätevärdet eller atar de s.v. ofta värde lågt frå vätevärdet? För att mäta detta har ma defiierat spridigsmått. Dessa ager hur stort avstådet i medeltal är frå det observerade värdet och vätevärdet. Hur sulle ett sådat mått se ut? Vi täer oss att avstådet mella de stoastisa variable x och vätevärdet E x besrivs med: x Ex Det förvätade värdet för detta värde är då: E x Ex. Kapitel

25 För att få ett bättre mått har det visat sig att ma bör vadrera detta uttryc. Vi defiierar: Defiitio. De stoastisa variabel x har variase Var x, vile bestäms som vätevärdet av de stoastisa variabel ( x Ex) Var x E ( x Ex) Variase betecas ofta med σ., dvs Kvadratrote ur variase beäms stadardavvielse. De betecas ofta med σ och Var x ( x Ex) E. Vätevärdet betecas ofta med µ. Vi a u sammafatta hur ma beräar dessa tre arateristior: Regler. Om de stoastisa variabel x har värdemägde { x, x,, } saolihetsfördelige, p, p är: p, x med µ i p x i i p x + p x + + p x σ σ i i p i p ( x µ ) p ( x µ ) + p ( x µ ) + + p ( x µ ) i i ( x µ ) p ( x µ ) + p ( x µ ) + + p ( x µ ) i Se på exemplet med pilastig. Beräa varias och stadardavvielse för variabel. Vi vet att variabel är biomialfördelad med parametrara och 0.8. Vätevärdet ges av: µ 0.8 Äve frå tidigare vet vi att variabel atar värdea {,,,,, } för dessa är: 0. Saolihete Kapitel - 8 -

26 p p p p p p Vi a u räa ut variase: σ i 0 ( ) 0.000( 0 ) ( ) + 0.0( ) p µ i x i ( ) ( ) ( ) + Stadardavvielse blir då vadratrote ur variase, eller För e biomialfördelad variabel gäller att variase a uträas eligt: Regel. Om de stoastisa variabel x är biomialfördelad med parametrara och p gäller att: Var x p( p) Vi a otrollera att svaret i exemplet ova gäller. Var x 0.8 ( 0.8) Kotiuerliga fördeligar Vi defiierade i apitel.9 begreppet stoastis variabel, s.v. E s.v. har som defiitiosmägd ett utfallsrum och som värdemägd ett reellt tal. I exemplet med atalet träffar i e tavla är ma astade pil mis vi t.ex. att utfallet { t, m, m, t, t} avbildades på talet (atalet träffar). De fördelig vi har behadlat mest oggrat, biomialfördelige har alltid heltal som värdemägd. Vi ommer i detta apitel att utvidga begreppet s.v. att äve iefatta e fördelig vars värdemägd är hela R eller ett delitervall av R. Vi a t.ex. täa Kapitel - 8 -

27 ! "! +*) ( & ' oss att de stoastisa variabel x har V x [0,0], d.v.s. x a ata alla värde mella 0 och 0. Defiitio. De stoastisa variabel x (och dess fördelig) är otiuerlig, om dess värdemägd Vx är hela R eller ett delitervall av R. Fördelige för e otiuerlig stoastis variabel bestäms av frevesfutioe f med egesapera: (i) f ( x) 0 för alla x R. (ii) f är otiuerlig överallt, utom möjlige i ett ädligt atal x- värde. (iii) Area av området mella urva y f (x) och x-axel är. När vi bestämmer saolihetera P för e otiuerlig stoastis variabel har vi till vår hjälp frevesfutioe f. Varje futio som uppfyller putera (i)-(iii) i ovaståede defiitio är e frevesfutio. Är f (x) e frevesfutio för e otiuerlig stoastis variabel, då #%$ x 0 x f ( x). (Se figur ) 0 övriga x Put (i) och (ii) är uta tvea uppfyllda. Vi otrollerar put (iii): 0 x x dx 0. f (x) är alltså e frevesfutio. 0 Vi mis att saolihete för e säer hädelse var. Area uder frevesfutie måste äve de vara, eligt defiitioe. Just area uder frevesfutioe besriver saolihete för e otiuerlig s.v. Därför gäller följade regel för e otiuerlig s.v. x : Regel. Atag att x är e otiuerlig stoastis variabel med frevesfutioe f. Saolihete att x sall ata ett värde i itervallet [ a, b] som tillhör defiitiosmägde är då area av området uder f som begräsas av lijera x a och x b, dvs: Kapitel - 8 -

28 +*) +*) +*) ( & ' ( & ' ( & ' +*) ( ' & P( a x b) f ( x) dx. b a Se på samma fördelig f som i föregåede exempel. Beräa följade saoliheter: x P. a) ( x ) x dx [ 8 ] b) c) x 9 9 P ( x ) x dx. P( x ) 0 x dx x P( x ). d) P ( x ) x dx 0 I d)-fallet får vi att saolihete för att de s.v. atar värdet är 0. För otiuerliga fördeligar gäller allmät att P ( x a) 0 för e ostat a. Hur a detta stämma? Ma a täa sig att eftersom de s.v. x a ata precis alla värde i R eller i ett delitervall av R så är saolihete att variabel precis sall ata värdet a oll. Det fis ju oädligt måga värde i i R eller i ett delitervall av R.. Normalfördelige De uta tvea valigaste föreommade otiuerliga fördelige är ormalfördelige. De är så avädbar pga av att de besriver måga olia feome, ex. befoligslägder, poäg i teter, IQ, lägde på lågfigret osv. Mest avädbar är de ädå för att det har visats att summor av stoastisa variabler är ormalfördelade. Detta ommer vi ite att gå i på här. Vi sall börja med att defiiera ormalfördelige: Defiitio. Frevesfutioe för e ormalfördelig är: Kapitel - 8 -

29 .-, 0/ x µ σ f ( x) e. σ π Här är parametrara µ och σ reella tal och σ >0. Om de s.v. x är ormalfördelad betecas detta med: x ~ N( µ, σ ). µ står för fördeliges vätevärde och σ är fördeliges stadardavvielse. Om µ 0 och σ allar vi detta e stadardiserad ormalfördelig. Dess frevesfutio betecas med ϕ (uttalas lilla fi)). Alltså: f ( x) e π x. Normalfördelige har som värdemägd hela de reella talaxel. Vi sall se på vad som häder om vi varierar värdea på parametrara µ och σ. Vi utgår frå e fördelig som är ~ N (0,). Om µ varierar har vi samma utseede på fördelige, me placerige är olia. µ besriver ju vätevärdet. Om däremot σ variera får vi olia utseede på grafe. Om σ < är stadardavvielse midre. Detta betyder att de observerade värdea med större säerhet ligger ära vätevärdet. Vi får alltså e fördelig, vars topp är spetsig (se figur ). Om däremot σ > leder det till att saolihete är större att de observerade värdea ligger lägre frå medelvärdet. Detta leder till att vi får e trubbigare figur. Eftersom det är svårt att itegrera fördeligsfutioe för e ormalfördelig har ma gjort upp tabeller för de stadardiserade ormalfördelige. Vi sall seare se att alla ormalfördeligar a överföras på dea. Regler. För ormalfördelige har ma uppgjort följade tabeller. Vi ser på ett reellt tal > 0. Vi udersöer de s.v. x ~ N(0,). Nu gäller det att: P( x ) Φ( ) ( eller F( )). Följade räeregler gäller för,, R : (i) P( x ) Φ( ) (ii) P x ) Φ( ) Φ( ) ( Kapitel - 8 -

30 För < 0 gäller följade: Φ ( ) Φ( ). Tabell fis t.ex. på: Atag att x ~ N(0,). Bestäm följade saoliheter: a) P ( x ) Φ() 0.8 b) P ( x ) Φ() c) P ( x ) Φ() Φ() d) P( x ) Φ() Φ( ) Φ() ( Φ()) Vi ämde att ma a stadardiera e variabel som är ormalfördelad. Detta betyder att, oberoede av värdea på µ och σ a ma göra om variabel till e N(0,) -fördelad. Vi utgår frå att vi har e variabel x som är ~ N ( µ, σ ). Observera här att µ och σ är reella tal. Om vi bildar variabel z eligt: z x µ σ ommer z att vara ormalfördelad med parametrara 0 och. Atag att lägde av e fullvuxe filäds via är ormalfördelad med vätevärdet 60 och stadardavvielse 6.. Vi vill bestämma saolihete att e via, som vi väljer på måfå har e lägd som ligger mella 0 och 70 cm. lägde ~ N (60,6.). Vi vill u stadardisera dea ormalfördelig så att µ 0 och σ. Om vi allar de s.v. lägde för x gäller det att: x ~ N(60,6.). Om vi bildar de s.v. z som: z x Kapitel

31 så är z ormalfördelad med parametrara 0 och. Eftersom vi ville udersöa: P ( 0 x 70) måste vi äve stadardisera gräsera. Detta ser på samma sätt: P(0 x 70) P z P (. z.) Nu a vi räa ut detta med våra valiga regler eftersom z är e stadardiserad ormalfördelig. P (.8 z.8) Φ(.) Φ(.) Φ(.) ( Φ(.)) Φ(.) (0.98) Kapitel

Stokastiska variabler

Stokastiska variabler TNG006 F2 11-04-2016 Stoastisa variabler Ett slumpmässigt försö ger ofta upphov till ett tal som bestäms av utfallet av försöet. Talet är ite ät före försöet uta bestäms av vilet utfall som ommer att uppstå,

Läs mer

Uppsala Universitet Matematiska Institutionen Thomas Erlandsson

Uppsala Universitet Matematiska Institutionen Thomas Erlandsson Uppsala Uiversitet Matematisa Istitutioe Thomas Erladsso LÄSANVISNINGAR VECKA -5 BINOMIALSATSEN Ett uttryc av forme a + b allas ett biom eftersom det är summa av två moom. För uttrycet (a + b) gäller de

Läs mer

Induktion och Binomialsatsen. Vi fortsätter att visa hur matematiska påståenden bevisas med induktion.

Induktion och Binomialsatsen. Vi fortsätter att visa hur matematiska påståenden bevisas med induktion. Idutio och Biomialsatse Vi fortsätter att visa hur matematisa påståede bevisas med idutio. Defiitio. ( )! = ( över ).!( )! Betydelse av talet studeras seare. Med idutio a vi u visa SATS (Biomialsatse).

Läs mer

F4 Matematikrep. Summatecken. Summatecken, forts. Summatecken, forts. Summatecknet. Potensräkning. Logaritmer. Kombinatorik

F4 Matematikrep. Summatecken. Summatecken, forts. Summatecken, forts. Summatecknet. Potensräkning. Logaritmer. Kombinatorik 03-0-4 F4 Matematirep Summatece Summatecet Potesräig Logaritmer Kombiatori Säg att vi har styce tal x,, x Summa av dessa tal (alltså x + + x ) srivs ortfattat med hjälp av summatece: x i i summa x i då

Läs mer

Följande begrepp används ofta vid beskrivning av ett statistiskt material:

Följande begrepp används ofta vid beskrivning av ett statistiskt material: Armi Halilovic: EXTRA ÖVNINGAR Besrivade statisti BESKRIVANDE STATISTIK. GRUNDBEGREPP Följade begrepp aväds ofta vid besrivig av ett statistist material: LÄGESMÅTT (medelvärde, media och typvärde): Låt

Läs mer

= (1 1) + (1 1) + (1 1) +... = = 0

= (1 1) + (1 1) + (1 1) +... = = 0 TALFÖLJDER OCH SERIER Läs avsitte - och 5 Lös övigara, abcd, 4, 5, 7-9, -5, 7-9, -abcd, 4, 5 Läsavisigar Avsitt Defiitioe av talföljd i boe är ågot ryptis, me egetlige är det ågot väldigt eelt: e talföljd

Läs mer

Multiplikationsprincipen

Multiplikationsprincipen Kombiatori Kombiatori hadlar oftast om att räa hur måga arragemag det fis av e viss typ. Multipliatiospricipe Atag att vi är på e restaurag för att provsmaa trerättersmåltider. Om det fis fyra förrätter

Läs mer

Betygsgränser: För (betyg Fx).

Betygsgränser: För (betyg Fx). Tetame TEN, HF2, 4 jui 2 Matematis statisti Kursod HF2 Srivtid: 3:-7: : Lärare och examiator : Armi Halilovic Hjälmedel: Bifogat formelhäfte ("Formler och tabeller i statisti ") och miiräare av vile ty

Läs mer

Matematisk statistik

Matematisk statistik Tetame TEN, HF, 8 aug Kursod: HF Srivtid: 8:-: Lärare och examiator: Armi Halilovic Matematis statisti Hjälpmedel: Bifogat formelhäfte ("Formler och tabeller i statisti ") och miiräare av vile typ som

Läs mer

TATM79: Föreläsning 2 Absolutbelopp, olikheter och binomialkoefficienter

TATM79: Föreläsning 2 Absolutbelopp, olikheter och binomialkoefficienter TATM79: Föreläsig Absolutbelopp, oliheter och biomialoefficieter Joha Thim augusti 018 1 Absolutbelopp Absolutbelopp Defiitio. För varje reellt x defiieras absolutbeloppet x eligt { x, x 0 x x, x < 0.

Läs mer

Binomialsatsen och lite kombinatorik

Binomialsatsen och lite kombinatorik Biomialsatse och lite ombiatori Sammafattig Aders Källé MatematiCetrum LTH adersalle@gmail.com Här disuteras e del grudläggade ombiatori, som utgår ifrå biomialoefficieteras ombiatorisa betydelse. Vi härleder

Läs mer

Analys av polynomfunktioner

Analys av polynomfunktioner Aals av polomfutioer Aals36 (Grudurs) Istuderigsuppgifter Dessa övigar är det tät du sa göra i aslutig till att du läser huvudtete. De flesta av övigara har, om ite lösigar, så i varje fall avisigar till

Läs mer

NEWTON-RAPHSONS METOD (en metod för numerisk lösning av ekvationer)

NEWTON-RAPHSONS METOD (en metod för numerisk lösning av ekvationer) Armi Halilovic: EXTRA ÖVNINGAR Newto-Raphsos metod NEWTON-RAPHSONS METOD (e metod för umeris lösig av evatioer Måga evatioer är besvärligt och iblad äve omöjligt att lösa eat. Då aväder ma umerisa metoder

Läs mer

NEWTON-RAPHSONS METOD (en metod för numerisk lösning av ekvationer)

NEWTON-RAPHSONS METOD (en metod för numerisk lösning av ekvationer) Armi Halilovic: EXTRA ÖVNINGAR Newto-Raphsos metod NEWTON-RAPHSONS METOD (e metod för umeris lösig av evatioer Måga evatioer är besvärligt och iblad äve omöjligt att lösa eat. Då aväder ma umerisa metoder

Läs mer

Tentamen i Envariabelanalys 1

Tentamen i Envariabelanalys 1 Liöpigs uiversitet Matematisa istitutioe Matemati och tillämpad matemati Kursod: TATA4 Provod: TEN Iga hjälpmedel är tillåta. Tetame i Evariabelaalys 4-4-3 l 4 9 Lösigara sall vara fullstädiga, välmotiverade,

Läs mer

Uppsala Universitet Matematiska Institutionen Bo Styf. Att repetera.

Uppsala Universitet Matematiska Institutionen Bo Styf. Att repetera. Uppsala Uiversitet Matematisa Istitutioe Bo Styf rasformmetoder, 5 hp gyl, I, W, X 20-0-26 Att repetera. Vi samlar här e del material frå tidigare urser som a vara avädbart uder urses gåg. Serier. E serie

Läs mer

Borel-Cantellis sats och stora talens lag

Borel-Cantellis sats och stora talens lag Borel-Catellis sats och stora tales lag Guar Eglud Matematisk statistik KTH Vt 2005 Iledig Borel-Catellis sats är e itressat och avädbar sats framför allt för att bevisa stora tales lag i stark form. Vi

Läs mer

4.2.3 Normalfördelningen

4.2.3 Normalfördelningen 4.2.3 Normalfördelige Biomial- och Poissofördelige är två exempel på fördeligar för slumpvariabler som ka ata ädligt eller uppräkeligt måga olika värde. Sådaa fördeligar sägs vara diskreta. Ofta är ett

Läs mer

vara ett polynom där a 0, då kallas n för polynomets grad och ibland betecknas n = grad( P(

vara ett polynom där a 0, då kallas n för polynomets grad och ibland betecknas n = grad( P( Armi Halilovic: EXTRA ÖVNINGAR Polyom POLYNOM OCH ALGEBRAISKA EKVATIONER Defiitio Polyom är uttrycet av type a a a 0, eller ortare a 0, ( där är ett ice-egativt heltal) Defiitio Låt P( a a a0 vara ett

Läs mer

Kombinatorik. Torbjörn Tambour 21 mars 2015

Kombinatorik. Torbjörn Tambour 21 mars 2015 Kombiatori Torbjör Tambour mars 05 Kombiatori är de del av matematie som sysslar med frågor av type På hur måga sätt a ma? Några gasa typisa exempel är följade: På hur måga olia sätt a åtta persoer bilda

Läs mer

Minsta kvadrat-metoden, MK. Maximum likelihood-metoden, ML. Medelfel. E(X i ) = µ i (θ) MK-skattningen av θ fås genom att minimera

Minsta kvadrat-metoden, MK. Maximum likelihood-metoden, ML. Medelfel. E(X i ) = µ i (θ) MK-skattningen av θ fås genom att minimera Matematisk statistik slumpes matematik Saolikhetsteori hur beskriver ma slumpe? Statistikteori vilka slutsatser ka ma dra av ett datamaterial? Statistikteori översikt Puktskattig Hur gör ma e bra gissig

Läs mer

UPPSKATTNING AV INTEGRALER MED HJÄLP AV TVÅ RIEMANNSUMMOR. Med andra ord: Vi kan approximera integralen från båda sidor

UPPSKATTNING AV INTEGRALER MED HJÄLP AV TVÅ RIEMANNSUMMOR. Med andra ord: Vi kan approximera integralen från båda sidor Armi Halilovic: EXTRA ÖVNINGAR Summor och itegraler UPPSKATTNING AV INTEGRALER MED HJÄLP AV TVÅ RIEMANNSUMMOR Om vi betratar e futio ff() som är otiuerlig i itervallet [aa, bb] då atar futioe sitt mista

Läs mer

Sannolikheter 0 < P < 1. Definition sannolikhet: Definition sannolikhet: En sannolikhet kan anta värden från 0 till 1

Sannolikheter 0 < P < 1. Definition sannolikhet: Definition sannolikhet: En sannolikhet kan anta värden från 0 till 1 Saolikheter E saolikhet ka ata värde frå 0 till 1 0 < P < 1 Beteckas: P Pr Prob Saolikhete för e hädelse Hädelse A P(A) Pr(A) Prob(A) Defiitio saolikhet: De frekves med vilke hädelse av itresse iträffar

Läs mer

SAMMANFATTNING TAMS79 Matematisk statistik, grundkurs

SAMMANFATTNING TAMS79 Matematisk statistik, grundkurs SAMMANFATTNING TAMS79 Matematisk statistik, grudkurs LÄST SOM EN DEL AV CIVILINGENJÖRSPROGRAMMET I INDUSTRIELL EKONOMI VID LITH, HT 2015 Versio: 1.0 Seast reviderad: 2016-02-01 Författare: Viktor Cheg

Läs mer

DEL I. Matematiska Institutionen KTH

DEL I. Matematiska Institutionen KTH 1 Matematiska Istitutioe KTH Lösig till tetamesskrivig på kurse Diskret Matematik, momet A, för D2 och F, SF1631 och SF1630, de 5 jui 2009 kl 08.00-13.00. DEL I 1. (3p) Bestäm e lösig till de diofatiska

Läs mer

ENDIMENSIONELL ANALYS B1 FÖRELÄSNING VI. Föreläsning VI. Mikael P. Sundqvist

ENDIMENSIONELL ANALYS B1 FÖRELÄSNING VI. Föreläsning VI. Mikael P. Sundqvist Föreläsig VI Mikael P. Sudqvist Aritmetisk summa, exempel Exempel I ett sällskap på 100 persoer skakar alla persoer had med varadra (precis e gåg). Hur måga hadskakigar sker? Defiitio I e aritmetisk summa

Läs mer

SANNOLIKHETER. Exempel. ( Tärningskast) Vi har sex möjliga utfall 1, 2, 3, 4, 5 och 6. Därför är utfallsrummet Ω = {1, 2, 3, 4, 5,6}.

SANNOLIKHETER. Exempel. ( Tärningskast) Vi har sex möjliga utfall 1, 2, 3, 4, 5 och 6. Därför är utfallsrummet Ω = {1, 2, 3, 4, 5,6}. rmi Halilovic: EXTR ÖVIGR SOLIKHETER GRUDLÄGGDE BEGRE OH BETEKIGR Utfall Resultat av ett slumpmässigt försök. Utfallsrummet ägde av alla utfall (beteckas oftast med Ω ). Hädelse E delmägd av utfallsrummet.

Läs mer

Kontrollskrivning 2 till Diskret Matematik SF1610, för CINTE1, vt 2019 Examinator: Armin Halilovic Datum: To Σ p P/F Extra Bonus

Kontrollskrivning 2 till Diskret Matematik SF1610, för CINTE1, vt 2019 Examinator: Armin Halilovic Datum: To Σ p P/F Extra Bonus Kotrollsrivig till Disret Matemati SF60, för CINTE, vt 09 Eamiator: Armi Halilovic Datum: To 09-04-5 Versio B Resultat: Σ p P/F Etra Bous Iga hjälpmedel tillåta Mist 8 poäg ger godät Godäd KS r medför

Läs mer

TATM79: Föreläsning 3 Binomialsatsen och komplexa tal

TATM79: Föreläsning 3 Binomialsatsen och komplexa tal TATM79: Föreläsig 3 Biomialsatse och omplexa tal Joha Thim augusti 016 1 Biomialsatse Ett miestric för att omma ihåg biomialoefficieter (åtmistoe för rimligt små är Pascals triagel: 0 1 1 1 1 1 1 3 1 3

Läs mer

Sannolikhetslära. c 2015 Eric Järpe Högskolan i Halmstad

Sannolikhetslära. c 2015 Eric Järpe Högskolan i Halmstad Saolikhetslära c 201 Eric Järpe Högskola i Halmstad Saolikhetslära hadlar om att mäta hur saolikt (dvs hur ofta ) ma ka förväta sig att ågot iträffar. Därför sorterar saolikhetslära uder de matematiska

Läs mer

TAMS79: Föreläsning 9 Approximationer och stokastiska processer

TAMS79: Föreläsning 9 Approximationer och stokastiska processer TAMS79: Föreläsig 9 Approximatioer och stokastiska processer Joha Thim 18 ovember 2018 9.1 Biomialfördelig Vi har reda stött på dea fördelig flera gåger. Situatioe är att ett slumpförsök har två möjliga

Läs mer

Sannolikheten. met. A 3 = {2, 4, 6 }, 1 av 11

Sannolikheten. met. A 3 = {2, 4, 6 }, 1 av 11 rmi Halilovic: EXTR ÖVIGR SOLIKHETER GRUDLÄGGDE EGRE OH ETEKIGR Utfall Resultat av ett slumpmässigt försök. Utfallsrummet ägde av alla utfall (beteckas oftast medd Ω ). Hädelse E delmägd av utfallsrumm

Läs mer

Vad är det okända som efterfrågas? Vilka data är givna? Vilka är villkoren?

Vad är det okända som efterfrågas? Vilka data är givna? Vilka är villkoren? Problemlösig. G. Polya ger i si utmärkta lilla bok How to solve it (Priceto Uiversity press, 946) ett schema att följa vid problemlösig. I de flod av böcker om problemlösig som har följt på Polyas bok

Läs mer

Tentamen i Sannolikhetsteori III 13 januari 2000

Tentamen i Sannolikhetsteori III 13 januari 2000 STOCKHOLMS UNIVERSITET MATEMATISK STATISTIK Louise af Klitberg Lösigar Tetame i Saolikhetsteori III 13 jauari 2000 Uppgift 1 a) Det mest detaljerade utfallsrummet är med uppebara beteckigar Ω = {(B1, B2),

Läs mer

Introduktion till statistik för statsvetare

Introduktion till statistik för statsvetare "Det fis iget så praktiskt som e bra teori" November 2011 Bakgrud Stadardiserig E saolikhetsekvatio Kosekves av stora tales lag Stora tales lag ger att är slumpvariablera X i är oberoede, med e och samma

Läs mer

Normalfördelningens betydelse. Sannolikhet och statistik. Täthetsfunktion, väntevärde och varians för N (µ, σ)

Normalfördelningens betydelse. Sannolikhet och statistik. Täthetsfunktion, väntevärde och varians för N (µ, σ) Normalfördeliges betydelse Empirisktse gur: måga storheter approximativt ormalfördelade Summa av måga ugefär oberoede och ugefär likafördelade s.v. är approximativt ormalfördelad CGS Exempel: mätfel =

Läs mer

Datorövning 2 Fördelningar inom säkerhetsanalys

Datorövning 2 Fördelningar inom säkerhetsanalys Luds tekiska högskola Matematikcetrum Matematisk statistik STATISTISKA METODER FÖR SÄKERHETSANALYS FMS065, HT-15 Datorövig 2 Fördeligar iom säkerhetsaalys I dea datorövig ska vi studera ågra grudläggade

Läs mer

NEWTON-RAPHSONS METOD (en metod för numerisk lösning av ekvationer)

NEWTON-RAPHSONS METOD (en metod för numerisk lösning av ekvationer) Armi Halilovic: EXTRA ÖVNINGAR Newto Raphsos metod NEWTON-RAPHSONS METOD (e metod ör umeris lösig av evatioer Måga evatioer är besvärligt och iblad äve omöjligt att lösa eat. Då aväder ma umerisa metoder

Läs mer

MS-A0409 Grundkurs i diskret matematik Sammanfattning, del I

MS-A0409 Grundkurs i diskret matematik Sammanfattning, del I MS-A0409 Grudkurs i diskret matematik Sammafattig, del I G. Gripeberg Aalto-uiversitetet 2 oktober 2013 G. Gripeberg (Aalto-uiversitetet) MS-A0409 Grudkurs i diskret matematiksammafattig, del 2Ioktober

Läs mer

Antalet sätt att välja ut r objekt bland n stycken med hänsyn till ordning är np r = n(n 1) (n r + 1).

Antalet sätt att välja ut r objekt bland n stycken med hänsyn till ordning är np r = n(n 1) (n r + 1). Harald Lag Formelsamlig och Tabeller i Statistik och Saolikhetsteori (15/11-10) Datareducerig Om x 1,..., x är ett stickprov ur e populatio så defiieras medelvärdet x x = 1 k=1 x k och stadardavvikelse

Läs mer

c n x n, där c 0, c 1, c 2,... är givna (reella eller n=0 c n x n n=0 absolutkonvergent om x < R divergent om x > R n n lim = 1 R.

c n x n, där c 0, c 1, c 2,... är givna (reella eller n=0 c n x n n=0 absolutkonvergent om x < R divergent om x > R n n lim = 1 R. P Potesserier Med e potesserie mear vi e serie av type c x, där c, c, c,... är giva (reella eller komplexa) kostater, s.k. koefficieter, och där x är e (reell eller komplex) variabel. För varje eskilt

Läs mer

Skattning / Inferens. Sannolikhet och statistik. Skattning / Inferens. Vad är det som skattas?

Skattning / Inferens. Sannolikhet och statistik. Skattning / Inferens. Vad är det som skattas? Skattig / Iferes Saolikhet och statistik Puktskattig Försöket att beskriva e hel populatio pga ågra få mätvärde! Oberservatio = Populatio HT 2008 UweMezel@mathuuse http://wwwmathuuse/ uwe/ Populatio har

Läs mer

2. Konfidensintervall för skillnaden mellan två proportioner.

2. Konfidensintervall för skillnaden mellan två proportioner. Föreläsig 12 LV1, Torsdag 12/10 Upplägg 1. Kofidesitervall för proportioer. 2. Kofidesitervall för skillade mella två proportioer. 3. Grafteori Kofidesitervall för proportioer Atag att vi vill skatta adele

Läs mer

EGENRUM, ALGEBRAISK- OCH GEOMETRISK MULTIPLICITET

EGENRUM, ALGEBRAISK- OCH GEOMETRISK MULTIPLICITET EGENRUM, ALGEBRAISK- OCH GEOMETRISK MULTIPLICITET INLEDNING Ett polyom ( i variabel λ ) av grad är ett uttryc på forme P( λ) a λ + aλ + aλ + a, där a Polyomets ollställe är lösigar ( rötter) till evatioe

Läs mer

Grundläggande matematisk statistik

Grundläggande matematisk statistik Grudläggade matematisk statistik Puktskattig Uwe Mezel, 2018 uwe.mezel@slu.se; uwe.mezel@matstat.de www.matstat.de Saolikhetsteori: Saolikhetsteori och statistikteori vad vi gjorde t.o.m. u vi hade e give

Läs mer

Intervallskattning. c 2005 Eric Järpe Högskolan i Halmstad. Antag att vi har ett stickprov x 1,..., x n på X som vi vet är N(µ, σ) men vi vet ej

Intervallskattning. c 2005 Eric Järpe Högskolan i Halmstad. Antag att vi har ett stickprov x 1,..., x n på X som vi vet är N(µ, σ) men vi vet ej Itervallskattig c 005 Eric Järpe Högskola i Halmstad Atag att vi har ett stickprov x,..., x på X som vi vet är Nµ, σ me vi vet ej värdet av µ = EX. Då ka vi beräka x, vvr skattig av µ. För att få reda

Läs mer

101. och sista termen 1

101. och sista termen 1 Lektio, Evariabelaalys de ovember 999 5.. Uttryck summa j uta summasymbole. j + Termera är idexerade frå j = till j = och varje term är blir j j+. Summa Skriver vi upp summa uta summasymbole blir de +

Läs mer

Datorövning 2 Fördelningar inom säkerhetsanalys

Datorövning 2 Fördelningar inom säkerhetsanalys Luds tekiska högskola Matematikcetrum Matematisk statistik STATISTISKA METODER FÖR SÄKERHETSANALYS FMS065 Datorövig 2 Fördeligar iom säkerhetsaalys I dea datorövig ska vi studera ågra grudläggade frå saolikhetsteori:

Läs mer

Statistisk analys. Vilka slutsatser kan dras om populationen med resultatet i stickprovet som grund? Hur säkra uttalande kan göras om resultatet?

Statistisk analys. Vilka slutsatser kan dras om populationen med resultatet i stickprovet som grund? Hur säkra uttalande kan göras om resultatet? Statistisk aalys Vilka slutsatser ka dras om populatioe med resultatet i stickprovet som grud? Hur säkra uttalade ka göras om resultatet? Mats Guarsso Tillämpad matematik III/Statistik - Sida 83 Exempel

Läs mer

Föreläsning 3. 732G04: Surveymetodik

Föreläsning 3. 732G04: Surveymetodik Föreläsig 3 732G04: Surveymetodik Dages föreläsig Obudet slumpmässigt urval (OSU) Populatiosparametrar och stickprovsstatistikor Vätevärdesriktighet Ädliga och oädliga populatioer Medelvärde, adel Kofidesitervall

Läs mer

Tolkning av sannolikhet. Statistikens grunder, 15p dagtid. Lite mängdlära. Lite mängdlära, forts. Frekventistisk n A /n P(A) då n

Tolkning av sannolikhet. Statistikens grunder, 15p dagtid. Lite mängdlära. Lite mängdlära, forts. Frekventistisk n A /n P(A) då n Tolkig av saolikhet Statistikes gruder, 15p dagtid HT 01 Föreläsigar F4-F6 Frekvetistisk A / A) då Klassisk atal(a) / atal(ω) = A) storlek(a) / storlek(ω) = A) Subjektiv (persolig) isats/total vist = A)

Läs mer

(a) Skissa täthets-/frekvensfunktionen och fördelningsfunktionen för X. Glöm inte att ange värden på axlarna.

(a) Skissa täthets-/frekvensfunktionen och fördelningsfunktionen för X. Glöm inte att ange värden på axlarna. 1 0,5 0 LÖSNINGAR till tetame: Statistik och saolikhetslära (LMA120) Tid och plats: 08:30-12:30 de 6 april 2016 Hjälpmedel: Typgodkäd miiräkare, formelblad Betygsgräser: 3: 12 poäg, 4: 18 poäg, 5: 24 poäg.

Läs mer

Anmärkning: I några böcker använder man följande beteckning ]a,b[, [a,b[ och ]a,b] för (a,b), [a,b) och (a,b].

Anmärkning: I några böcker använder man följande beteckning ]a,b[, [a,b[ och ]a,b] för (a,b), [a,b) och (a,b]. MÄNGDER Stadardtalmägder: N={0,, 2, 3, } mägde av alla aturliga tal (I ågra böcker N={,2,3, }) Z={ 3, 2,,0,, 2, 3, 4, } mägde av alla hela tal m Q={, där m, är hela tal och 0 } mägde av alla ratioella

Läs mer

KOMBINATORIK. Matematiska institutionen Stockholms universitet Första upplagan 2005 Eftertryck förbjudes eftertryckligen

KOMBINATORIK. Matematiska institutionen Stockholms universitet Första upplagan 2005 Eftertryck förbjudes eftertryckligen KOMBINATORIK Torbjör Tambour Matematisa istitutioe Stocholms uiversitet Första upplaga 005 Eftertryc förbjudes eftertryclige Postadress Matematisa istitutioe Stocholms uiversitet 06 9 Stocholm Besösadress

Läs mer

b 1 och har för olika värden på den reella konstanten a.

b 1 och har för olika värden på den reella konstanten a. Första häftet 649. a) A och B spelar cigarr, vilket som bekat tillgår på följade sätt. Omväxlade placerar de ibördes lika, jämtjocka cigarrer på ett rektagulärt bord, varvid varje y cigarr måste placeras

Läs mer

F10 ESTIMATION (NCT )

F10 ESTIMATION (NCT ) Stat. teori gk, ht 2006, JW F10 ESTIMATION (NCT 8.1-8.3) Ordlista till NCT Iferece Parameter Estimator Estimate Ubiased Bias Efficiecy Cofidece iterval Cofidece level (Studet s) t distributio Slutledig,

Läs mer

Induktion LCB Rekursion och induktion; enkla fall. Ersätter Grimaldi 4.1

Induktion LCB Rekursion och induktion; enkla fall. Ersätter Grimaldi 4.1 duktio LCB 2000 Ersätter Grimaldi 4. Rekursio och iduktio; ekla fall E talföljd a a 0 a a 2 ka aturligtvis defiieras geom att ma ager e explicit formel för uträkig av dess elemet, som till exempel () a

Läs mer

Ekvationen (ekv1) kan beskriva vågutbredning, transversella svängningar i en sträng och andra fysikaliska förlopp.

Ekvationen (ekv1) kan beskriva vågutbredning, transversella svängningar i en sträng och andra fysikaliska förlopp. VÅGEKVATIONEN Vi betratar följade PDE u( u( x t, där > är e ostat, x, t (ev) Evatioe (ev) a besriva vågutbredig, trasversella svägigar i e sträg och adra fysialisa förlopp Radvärdesproblemet består av

Läs mer

Föreläsning 10: Kombinatorik

Föreläsning 10: Kombinatorik DD2458, Problemlösig och programmerig uder press Föreläsig 10: Kombiatorik Datum: 2009-11-18 Skribeter: Cecilia Roes, A-Soe Lidblom, Ollata Cuba Gylleste Föreläsare: Fredrik Niemelä 1 Delmägder E delmägd

Läs mer

3-fastransformatorn 1

3-fastransformatorn 1 -fastrasformator TRANSFORMATORN (-fas) A B C N φa φb φc rimärsida N E -fastrasformator består i pricip av st -fastrasformatorer som är sammaopplade. Seudärsida N YNy trafo. a b c KOLNGSSÄTT rimärsida a

Läs mer

För att skatta väntevärdet för en fördelning är det lämpligt att använda Medelvärdet. E(ξ) =... = µ

För att skatta väntevärdet för en fördelning är det lämpligt att använda Medelvärdet. E(ξ) =... = µ 1 February 1, 2018 1 Förel. VII Puktskattigar av parametrar i fördeligar 1.1 Puktskattig För att skatta vätevärdet för e fördelig är det lämpligt att aväda Medelvärdet ξ = 1 ξ j. Vi tar u vätevärdet av

Läs mer

Föreläsning 3. Signalbehandling i multimedia - ETI265. Kapitel 3. Z-transformen. LTH 2015 Nedelko Grbic (mtrl. från Bengt Mandersson)

Föreläsning 3. Signalbehandling i multimedia - ETI265. Kapitel 3. Z-transformen. LTH 2015 Nedelko Grbic (mtrl. från Bengt Mandersson) Sigalbeadlig i multimedia - ETI65 Föreläsig 3 Sigalbeadlig i multimedia - ETI65 Kapitel 3 Z-trasforme LT 5 Nedelo Grbic mtrl. frå Begt Madersso Departmet of Electrical ad Iformatio Tecolog Lud Uiversit

Läs mer

b) Bestäm det genomsnittliga antalet testade enheter, E (X), samt även D (X). (5 p)

b) Bestäm det genomsnittliga antalet testade enheter, E (X), samt även D (X). (5 p) Avd Matematisk statistik TENTAMEN I SF922, SF923 och SF924 SANNOLIKHETSTEORI OCH STATISTIK, TISDAGEN DEN 29:E MAJ 208 KL 0800 300 Examiator för SF922/SF923: Tatjaa Pavleko, 08-790 84 66 Examiator för SF924:

Läs mer

EXAMENSARBETEN I MATEMATIK

EXAMENSARBETEN I MATEMATIK EXAMENSARBETEN I MATEMATIK MATEMATISKA INSTITUTIONEN, STOCKHOLMS UNIVERSITET Iterpolatio och approimatio av Elhoussaie Ifoudie 8 - No 5 MATEMATISKA INSTITUTIONEN, STOCKHOLMS UNIVERSITET, 69 STOCKHOLM Iterpolatio

Läs mer

Linjär Algebra (lp 1, 2016) Lösningar till skrivuppgiften Julia Brandes

Linjär Algebra (lp 1, 2016) Lösningar till skrivuppgiften Julia Brandes Lijär Algebra (lp 1, 2016) Lösigar till skrivuppgifte Julia Brades Uppgift 1. Betecka mägde av alla matriser med M(). Vi har e elemetvist defiierad additio av två matriser A, B M(). De är defiierad geom

Läs mer

TENTAMEN I MATEMATISK STATISTIK Datum: 13 mars 08

TENTAMEN I MATEMATISK STATISTIK Datum: 13 mars 08 TENTAMEN I MATEMATISK STATISTIK Datum: 3 mars 8 Te i kurse HF3, 6H3, 6L3 MATEMATIK OCH MATEMATISK STATISTIK, Te i kurse HF ( Tidigare k 6H3), KÖTEORI OCH MATEMATISK STATISTIK, Skrivtid: 8:5-:5 Hjälpmedel:

Läs mer

θx θ 1 om 0 x 1 f(x) = 0 annars

θx θ 1 om 0 x 1 f(x) = 0 annars Avd. Matematisk statistik TENTAMEN I SF903 SANNOLIKHETSLÄRA OCH STATISTIK FÖR 3-ÅRIG Media TIMEH TORSDAGEN DEN TREDJE JUNI 200 KL 4.00 9.00. Examiator: Guar Eglud, tel. 790 74 06 Tillåta hjälpmedel: Läroboke.

Läs mer

Genomsnittligt sökdjup i binära sökträd

Genomsnittligt sökdjup i binära sökträd Iformatiostekologi Tom Smedsaas 10 augusti 016 Geomsittligt sökdjup i biära sökträd Detta papper visar att biära sökträd som byggs upp av slumpmässiga data är bra. Beteckigar och defiitioer Defiitio De

Läs mer

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 4 (del 1)

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 4 (del 1) Fiasiell Statistik (GN, 7,5 hp,, HT 008) Föreläsig 4 (del 1) Sampligfördeligar (LLL Kap 8) Departmet of Statistics (Gebreegus Ghilagaber, PhD, Associate Professor) Fiacial Statistics (Basic-level course,

Läs mer

Stat. teori gk, ht 2006, JW F13 HYPOTESPRÖVNING (NCT ) Ordlista till NCT

Stat. teori gk, ht 2006, JW F13 HYPOTESPRÖVNING (NCT ) Ordlista till NCT Stat. teori gk, ht 2006, JW F13 HYPOTESPRÖVNING (NCT 10.1-10.3) Ordlista till NCT Hypothesis testig Null hypothesis Alterative hypothesis Simple / composite Oe-sided /two-sided Reject Test statistic Type

Läs mer

Tentamen i matematisk statistik

Tentamen i matematisk statistik MSTA3, Saolikhetsteori A, 5 p 5--7 Tetame i matematisk statistik Saolikhetsteori A, 5 poäg Skrivtid: 9.-5.. Tillåta hjälpmedel: Tabellsamlig, ege miiräkare. Studetera får behålla tetamesuppgiftera. På

Läs mer

Lösningar och kommentarer till uppgifter i 1.1

Lösningar och kommentarer till uppgifter i 1.1 Lösigar och kommetarer till uppgifter i. 407 d) 408 d) 40 a) 3 /5 5) 5 3 0 ) 0) 3 5 5 4 0 6 5 x 5 x) 5 x + 5 x 5 x 5 x 5 x + 5 x 40 Om det u är eklare så här a x a 3x + a x) a 4x + 43 a) 43 45 5 3 5 )

Läs mer

Uppgifter 3: Talföljder och induktionsbevis

Uppgifter 3: Talföljder och induktionsbevis Gruder i matematik och logik (017) Uppgifter 3: Talföljder och iduktiosbevis Ur Matematik Origo 5 Talföljder och summor 3.01 101. E talföljd defiieras geom formel a 8 + 6. a) Är det e rekursiv eller e

Läs mer

APPROXIMATION AV SERIENS SUMMA MED EN DELSUMMA OCH EN INTEGRAL

APPROXIMATION AV SERIENS SUMMA MED EN DELSUMMA OCH EN INTEGRAL Armi Halilovic: EXTRA ÖVNINGAR Approimatio av erie umma med e delumma APPROXIMATION AV SERIENS SUMMA MED EN DELSUMMA OCH EN INTEGRAL Låt vara e poitiv och avtagade utio ör åda att erie overgerar. Vi a

Läs mer

Föreläsning G70 Statistik A

Föreläsning G70 Statistik A Föreläsig 5 732G70 Statistik A Egeskaper hos stickprovsstatistikora Stickprovsmedelvärde Stickprovssumma Stickprovsadel Lägesmått Spridig Medelfel EX VarX 2 2 E X Var X E P Var P X X 1 1 P Eftersom respektive

Läs mer

Högskoleutbildad 0,90*0,70=0,63 0,80*0,30=0,24 0,87 Ej högskoleutbildad 0,07 0,06 0,13 0,70 0,30 1,00

Högskoleutbildad 0,90*0,70=0,63 0,80*0,30=0,24 0,87 Ej högskoleutbildad 0,07 0,06 0,13 0,70 0,30 1,00 Lösigsförslag UPPGIFT 1 Kvia Ma Högskoleutbildad 0,90*0,70=0,63 0,80*0,30=0,24 0,87 Ej högskoleutbildad 0,07 0,06 0,13 0,70 0,30 1,00 Pr(ej högskoleutbildad kvi=0,07=7% Pr(högskoleutbildad)=0,87 c) Pr(Kvi*Pr(Högskoleutbildad)=0,70*0,87=0,609

Läs mer

H1009, Introduktionskurs i matematik Armin Halilovic POLYNOM, POLYNOMDIVISION, ALGEBRAISKA EKVATIONER, PARTIALBRÅKSUPPDELNING. vara ett polynom där a

H1009, Introduktionskurs i matematik Armin Halilovic POLYNOM, POLYNOMDIVISION, ALGEBRAISKA EKVATIONER, PARTIALBRÅKSUPPDELNING. vara ett polynom där a POLYNOM, POLYNOMDIVISION, ALGEBRAISKA EKVATIONER, PARTIALBRÅKSUPPDELNING Defiitio Polyom är ett uttryck av följade typ P( ) a a a, där är ett icke-egativt heltal (Kortare 0 P k ( ) a a 0 k ) k Defiitio

Läs mer

Kompletterande kurslitteratur om serier

Kompletterande kurslitteratur om serier KTH Matematik Has Thuberg 5B47 Evariabelaalys Kompletterade kurslitteratur om serier I Persso & Böiers.5.4 itroduceras serier, och serier diskuteras också i kapitel 7.9. Ia du läser vidare här skall du

Läs mer

x 1 x 2 x 3 x 4 x 5 x 6 HL Z x x x

x 1 x 2 x 3 x 4 x 5 x 6 HL Z x x x Uppgift 1 a) Vi iför slackvariabler x 4, x 5 och x 6 och löser problemet med hjälp av simplexalgoritme. Z -2-1 1 0 0 0 0 x 4 1 1-1 1 0 0 20 x 5 2 1 1 0 1 0 30 x 6 1-1 2 0 0 1 10 x 1 blir igåede basvariabel

Läs mer

Formelblad Sannolikhetsteori 1

Formelblad Sannolikhetsteori 1 Formelblad Saolikhetsteori Bayes formel: Låt A och D vara två hädelser Då gäller P A D = P D AP A P D Chebyshevs olikhet: Låt X vara e stokastisk variabel med vätevärde µ och varias Då gäller för alla

Läs mer

1. Test av anpassning.

1. Test av anpassning. χ -metode. χ -metode ka avädas för prövig av hypoteser i flera olika slag av problem: om e stokastisk variabel följer e viss saolikhetsfördelig med käda eller okäda parametrar. om två stokastiska variabler

Läs mer

REGULJÄRA SPRÅK (8p + 6p) 1. DFA och reguljära uttryck (6 p) Problem. För följande NFA över alfabetet {0,1}:

REGULJÄRA SPRÅK (8p + 6p) 1. DFA och reguljära uttryck (6 p) Problem. För följande NFA över alfabetet {0,1}: CD58 FOMEA SPÅK, AUTOMATE, OCH BEÄKNINGSTEOI, 5 p JUNI 25 ÖSNINGA EGUJÄA SPÅK (8p + 6p). DFA och reguljära uttryck (6 p) Problem. För följade NFA över alfabetet {,}:, a) kovertera ovaståede till e miimal

Läs mer

vara ett polynom där a 0, då kallas n för polynomets grad och ibland betecknas n grad( P(

vara ett polynom där a 0, då kallas n för polynomets grad och ibland betecknas n grad( P( Armi Halilovic: EXTRA ÖVNINGAR Polyom POLYNOM OCH ALGEBRAISKA EKVATIONER Defiitio Polyom är uttrycket av type a a a 0 ( där är ett icke-egativt heltal) Defiitio Låt P( a a a0 vara ett polyom där a 0, då

Läs mer

KTH/ICT IX1501:F7 IX1305:F2 Göran Andersson Statistik: Skattningar

KTH/ICT IX1501:F7 IX1305:F2 Göran Andersson Statistik: Skattningar KTH/ICT IX50:F7 IX305:F Göra Adero goera@th.e Statiti: Sattigar Statiti Vi all u tudera obervatioer av toatia variabler. Vad blev det för värde? Dea obervatioer alla ett ticprov (ample). Iom tatitie fi

Läs mer

1. (a) Eftersom X och Y har samma fördelning så har de även samma väntevärde och standardavvikelse. E(X 2 ) = k

1. (a) Eftersom X och Y har samma fördelning så har de även samma väntevärde och standardavvikelse. E(X 2 ) = k LÖSNINGAR TILL Matematisk statistik, Matematikcetrum Tetame: 5 kl 8 Luds tekiska högskola FMS, FMS, FMS, FMS 5, MAS 9 Matematisk statistik för ED, F, I, FED och fysiker. a Eftersom X och Y har samma fördelig

Läs mer

Tentamenskrivning, , kl SF1625, Envariabelanalys för CINTE1(IT) och CMIEL1(ME ) (7,5hp)

Tentamenskrivning, , kl SF1625, Envariabelanalys för CINTE1(IT) och CMIEL1(ME ) (7,5hp) KTH-Matematik Tetameskrivig, 2008-0-0, kl. 4.00-9.00 SF625, Evariabelaalys för CITE(IT) och CMIEL(ME ) (7,5h) Prelimiära gräser. Registrerade å kurse SF625 får graderat betyg eligt skala A (högsta betyg),

Läs mer

Föreläsning G70, 732G01 Statistik A. Föreläsningsunderlagen är baserade på underlag skrivna av Karl Wahlin

Föreläsning G70, 732G01 Statistik A. Föreläsningsunderlagen är baserade på underlag skrivna av Karl Wahlin Föreläsig 5 73G70, 73G01 Statistik A Föreläsigsuderlage är baserade på uderlag skriva av Karl Wahli Kapitel 5 Stickprovsteori Sid 15-150 Statistisk iferes Populatio (äve målpopulatio) = de (på logisk väg

Läs mer

Föreläsning 2: Punktskattningar

Föreläsning 2: Punktskattningar Föreläsig : Puktskattigar Joha Thim joha.thim@liu.se 7 augusti 08 Repetitio Stickprov Defiitio. Låt de stokastiska variablera X, X,..., X vara oberoede och ha samma fördeligsfuktio F. Ett stickprov x,

Läs mer

a VEKTORRUMMET R, - dimesioella etorer.. STANDARDBASEN i R. LINJÄRA KOMBINATIONER AV VEKTORER LINJÄRT BEROENDE OCH OBEROENDE VEKTORER LINJÄRT HÖLJE (LINJÄRT SPAN) -----------------------------------------------------------------

Läs mer

Bredbandsmarknaden i studentbostäderna i Lund ur ett mikroekonomiskt perspektiv

Bredbandsmarknaden i studentbostäderna i Lund ur ett mikroekonomiskt perspektiv 20060319 Kadidatuppsats i Natioaleoomi Bredbadsmarade i studetbostädera i Lud ur ett miroeoomist perspetiv Författare: Olof Karlsso Hadledare: Jerer Holm Dispositio... 3 INLEDNING... 4 Bagrud... 4 Syfte...

Läs mer

TENTAMEN I MATEMATISK STATISTIK

TENTAMEN I MATEMATISK STATISTIK TETAME I MATEMATISK STATISTIK Te i kurse 6H, KÖTEORI OCH MATEMATISK STATISTIK, Te i kurse 6H, 6L MATEMATIK OCH MATEMATISK STATISTIK, Skrivtid: :-7: Lärare: Armi Halilovic Kurskod 6H, 6H, 6L, 6A Hjälpmedel:

Läs mer

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 4 (del 2)

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 4 (del 2) Fiasiell Statistik (GN, 7,5 hp,, HT 008) Föreläsig 4 (del ) Pukt- och itervallskattig (LLL Kap 10) Departmet of Statistics (Gebreegus Ghilagaber, PhD, Associate Professor) Fiacial Statistics (Basic-level

Läs mer

Väntevärde för stokastiska variabler (Blom Kapitel 6 och 7)

Väntevärde för stokastiska variabler (Blom Kapitel 6 och 7) Matemats statst för STS vt 004 004-04 - 0 Begt Rosé Vätevärde för stoastsa varabler (Blom Kaptel 6 och 7 1 Vätevärde för e dsret stoasts varabel Låt vara e dsret s.v. med saolhetsfuto p ( elgt eda. Saolhetera

Läs mer

LÖSNINGAR TILL. Räkningar: (z i z) 2 = , Δ = z = 1 n. n 1. Konfidensintervall:

LÖSNINGAR TILL. Räkningar: (z i z) 2 = , Δ = z = 1 n. n 1. Konfidensintervall: LÖSNINGAR TILL Matematisk statistik Tetame: 2014 10 28 kl 14 00 19 00 Matematikcetrum FMS 086 Matematisk statistik för B, K, N och BME, 7.5 hp Luds tekiska högskola MASB02 Matematisk statistik för kemister,

Läs mer

Uppsala Universitet Matematiska Institutionen Bo Styf. Genomgånget på föreläsningarna Föreläsning 26, 9/2 2011: y + ay + by = h(x)

Uppsala Universitet Matematiska Institutionen Bo Styf. Genomgånget på föreläsningarna Föreläsning 26, 9/2 2011: y + ay + by = h(x) Uppsala Uiversitet Matematiska Istitutioe Bo Styf Evariabelaalys, 0 hp STS, X 200-0-27 Föreläsig 26, 9/2 20: Geomgåget på föreläsigara 26-30. Att lösa de ihomogea ekvatioe. De ekvatio vi syftar på är förstås

Läs mer

Lycka till! I(X i t) 1 om A 0 annars I(A) =

Lycka till! I(X i t) 1 om A 0 annars I(A) = Avd Matematisk statistik TENTAMEN I SF955 f d 5B555 DATORINTENSIVA METODER ONSDAGEN DEN AUGUSTI 008 KL 400 900 Examiator: Guar Eglud, tel 790746 Email: guare@mathkthse Tillåta hjälpmedel: Formel- och tabellsamlig

Läs mer

Tentamen i Matematisk statistik för V2 den 28 maj 2010

Tentamen i Matematisk statistik för V2 den 28 maj 2010 Tetame i Matematisk statistik för V de 8 maj 00 Uppgift : E kortlek består av 5 kort. Dessa delas i i färger: 3 hjärter, 3 ruter, 3 spader och 3 klöver. Kortleke iehåller damer, e i varje färg. Ata att

Läs mer

F3 Lite till om tidsserier. Statistikens grunder 2 dagtid. Sammansatta index 4. Deflatering HT Laspeyres index: Paasche index: Index.

F3 Lite till om tidsserier. Statistikens grunder 2 dagtid. Sammansatta index 4. Deflatering HT Laspeyres index: Paasche index: Index. F3 Lite till om tidsserier Deflaterig, att justera för iflatioe tatistikes gruder dagtid 4 3,5 3,5,5 Mjölk ockerdricka HT,5 975 976 977 978 979 98 98 98 Löpade priser År Mjölk ockerdricka KPI 945 = 975,34,

Läs mer

Tentamen i Statistik, STA A13 Deltentamen 2, 5p 20 januari 2007, kl. 09.00-13.00

Tentamen i Statistik, STA A13 Deltentamen 2, 5p 20 januari 2007, kl. 09.00-13.00 0.01.007 Tetame i Statistik, STA A13 Deltetame, 5p 0 jauari 007, kl. 09.00-13.00 Tillåta hjälpmedel: Bifogad formel- och tabellsamlig (skall retureras) samt miiräkare. Asvarig lärare: Haah Hall Övrigt:

Läs mer

Matematisk statistik KTH. Formelsamling i matematisk statistik

Matematisk statistik KTH. Formelsamling i matematisk statistik Matematik tatitik KTH Formelamlig i matematik tatitik Vårtermie 07 Kombiatorik! = k k! ( k)!. Tolkig: mägd med elemet. = atalet delmägder av torlek k ur e k Stokatika variabler V (X) = E X (E (X)) C (X;

Läs mer