F10 ESTIMATION (NCT )

Storlek: px
Starta visningen från sidan:

Download "F10 ESTIMATION (NCT )"

Transkript

1 Stat. teori gk, ht 2006, JW F10 ESTIMATION (NCT ) Ordlista till NCT Iferece Parameter Estimator Estimate Ubiased Bias Efficiecy Cofidece iterval Cofidece level (Studet s) t distributio Slutledig, iferes Parameter Estimator, skattig Estimat, skattig Vätevärdesriktig Bias, systematiskt fel, skevhet Effektivitet Kofidesitervall Kofidesivå t-fördelig 1

2 Saolikhetslära statistisk iferes Hittills har vi sysslat med saolikhetslära. Problem av type: Hur stor är slh att det och det skall iträffa? Ex.: Vi skall dra ett slumpmässigt stickprov på 100 persoer frå e populatio på 1 000, av vilka vi vet att 30 procet är bilägare. Hur stor är slh att stickprovet skall iehålla 50 eller fler bilägare? Nu övergår vi till området statistisk iferes (= slutledig). Problemet är här det omväda: Vi har data frå ett stickprov. Vilka slutsatser ka vi dra om de populatio stickprovet kommer frå? Ex.: Populatio med persoer, varav e okäd adel är bilägare. Vi drar ett slumpmässigt stickprov på 100 persoer och fier att 40 av dessa är bilägare. Vad skall vi tro om adele bilägare i populatioe? 2

3 Allmät om skattig av e populatiosparameter På grudval av stickprovsdata vill vi uppskatta värdet på e okäd parameter i de populatio som stickprovet kommer ifrå. Exempel på populatiosparametrar är: Medelvärde, µ Proportiostal (saolikhet), P Varias, 2 Vi täker oss, allmät, att vi vill skatta e viss populatiosparameter θ (som ka vara t.ex. ett populatiosmedelvärde, eller e populatiosproportio, eller vad som helst). Säg att X 1, X 2,, X är ett stickprov av oberoede observatioer frå populatioe. På grudval av dessa observerade stickprovsvärde beräkar vi e skattig, θˆ, av de okäda populatiosparameter θ. 3

4 Eftersom slumpe bestämmer vilka våra observatioer kommer att bli, så ka vi säga att skattige θˆ är e stokastisk variabel. De har e saolikhetsfördelig, e s.k. sampligfördelig, som beskriver hur värdet på θˆ ka variera frå stickprov till stickprov. Vår förhoppig är aturligtvis att vi skall få ett värde på θˆ, som ligger så ära det saa (okäda) värdet på θ som möjligt. Hur bra är det att aväda θˆ som skattig av θ? Vi ka aldrig komma ifrå att skattige har e viss osäkerhet. E skattigs egeskaper brukar beskrivas i termer av dess vätevärde och varias, alltså E(θˆ) och Var(θˆ). Öskvärda egeskaper hos e skattig är: Att de är vätevärdesriktig, dvs. att E(θˆ) = θ. Att de har lite varias, dvs. att Var(θˆ) är lite. 4

5 Varför dessa öskemål? Vi täker oss hypotetiskt e låg serie upprepade stickprov frå samma populatio. Då ka vi tolka egeskapera vätevärdesriktighet och lite varias på följade sätt: E vätevärdesriktig skattig kommer i det låga loppet att i geomsitt träffa rätt. (OBS ite varje gåg, me i geomsitt.) E vätevärdesriktig skattig har iget systematiskt fel. Variase är ett mått på skattiges osäkerhet. Ju midre varias e vätevärdesriktig skattig har, desto oftare kommer de att träffa i ärhete av det saa parametervärdet. E skattig som ite är vätevärdesriktig har e bias: Bias(θˆ) = E(θˆ) θ (Om θˆ är vätevärdesriktig, så är Bias(θˆ) = 0.) Om θˆ1 och θˆ2 är två vätevärdesriktiga skattigar av parameter θ, och om Var(θˆ1) < Var(θˆ2), så säger vi att θˆ1 är mer effektiv ä θˆ2. 5

6 Skattig av ett populatiosmedelvärde Säg att X 1, X 2,, X är ett slumpmässigt stickprov av oberoede observatioer frå e populatio med medelvärde µ och varias 2. Ett okät populatiosmedelvärde, µ, brukar vid slumpmässigt stickprov skattas med stickprovsmedelvärdet, X. Vi vet reda att: E( X ) = µ, dvs. vätevärdesriktig skattig 2 Var( X ) = Skattig av e populatiosproportio E okäd populatiosproportio, P, brukar vid slumpmässigt stickprov skattas med motsvarade stickprovsproportio, Pˆ. E(Pˆ ) = P, dvs. vätevärdesriktig skattig Var(Pˆ ) = P ( 1 P) 6

7 Skattig av e populatiosvarias E okäd populatiosvarias, 2, brukar vid slumpmässigt stickprov skattas med stickprovsvariase, s 2. Vi vet reda att E(s 2 ) = 2, dvs. vätevärdesriktig skattig (Me s är ite ågo vätevärdesriktig skattig av.) [Amärkig om termiologi: Av bekvämlighet aväder vi terme skattig för både estimator och estimat. Egetlige är: Estimator = skattige betraktad som stokastisk variabel, alltså ia vi observerat ågra data Estimat = det umeriska värde som skattige atar efter att data erhållits.] 7

8 Kofidesitervall för ett populatiosmedelvärde Kofidesitervall: Puktskattig ± felmargial Med ett kofidesitervall för populatiosmedelvärdet µ med kofidesivå 95% meas ett itervall sådat att: ädpuktera beräkas frå stickprovsdata; itervallet kommer med slh 0,95 att iehålla det saa värdet på µ. Saolikhetsuttaladet görs ia vi dragit stickprovet. Atag att vi har ett stickprov av storlek frå e ormalfördelad populatio med käd varias 2. Ädpuktera för ett 95% kofidesitervall för µ beräkas då såsom: x ± 1,96 8

9 Motiverig: Ia stickprovet dras vet vi att de stokastiska variabel X är N(µ; 2 /). Därför är P(-1,96 X µ 1,96) = 0, / Z Olikhete ka skrivas om (visa!), så att vi får P( X 1,96 µ X + 1,96 ) = 0, edre ädpukt övre ädpukt Ädpuktera är slumpmässiga. Ka variera frå stickprov till stickprov. Me med slh 0,95 kommer de att ligga på varsi sida av µ, vilket iebär att itervallet mella dessa två ädpukter med slh 0,95 kommer att fåga upp det saa, okäda värdet på µ. 9

10 Tolkig av kofidesitervallet: Ia vi dragit stickprovet: Med slh 0,95 kommer vi att få ett itervall som iehåller det saa värdet på µ. Efter att vi dragit ett stickprov och beräkat ett itervall: Vi vet ite om det faktiskt erhålla itervallet iehåller µ eller ite. Me vi vet att detta itervall har beräkats eligt e metod som i det låga loppet skulle producera itervall som i 95% av falle iehåller µ. Vi käer därför e gaska stor tillförsikt ( cofidece ) att det just erhålla itervallet iehåller µ. 10

11 I resoemaget yss hade vi valt kofidesivå 95%. Adra valiga val av kofidesivå är 90% och 99%. Med godtycklig kofidesivå skulle kofidesitervallets ädpukter bli: x ± z där z står för e kostat som bestäms av vilke kofidesivå som öskas. Värdet på z ka erhållas frå Tabell 8 i kursboke (sista rade). Några exempel: Öskad kofidesivå z-värde 90% 1,645 (1,64) 95% 1,960 (1,96) 99% 2,576 (2,58) Högre kofidesivå större tillförsikt, me till priset av lägre itervall (givet ). Större stickprov kortare itervall (give kofidesivå). 11

12 Ex.: Stickprov ( = 25) frå ormalfördelad populatio med käd stadardavvikelse = 15. Stickprovets medelvärde är x = 102. Ett 95% k.i. för µ får ädpuktera: dvs. x ± 1, ± 1, ± 5,88 Ett 95% k.i. för µ blir alltså (96,12; 107,88). 12

13 När populatioe är ormalfördelad, N(µ; 2 ), med käd varias beräkas alltså ädpuktera till ett kofidesitervall för µ såsom x ± z Me om populatioes varias är okäd? Eller om populatioe ite är ormalfördelad? Hur gör vi då? När stickprovet är stort beräkas k.i. eligt formel ova, oavsett om populatioe är ormalfördelad eller ej (CGS). Och om populatiosvariase är okäd, aväder vi stickprovets stadardavvikelse s i stället för, alltså: s x ± z eller x ± z beroede på om är käd eller ej. Tumregel för stort stickprov:

14 När stickprovet är litet (dvs. < 30) blir det besvärligare. För att vi skall kua beräka ett k.i. måste populatioe vara ormalfördelad. Om det är e populatio med käd varias, beräkar vi kofidesitervallet såsom x ± z Om det är e populatio med okäd varias, beräkar vi kofidesitervallet såsom x ± t s där kostate t hämtas frå Tabell 8 över t- fördelige. Värdet på t bestäms av kofidesivå och atalet frihetsgrader = -1. K.i. beräkade med t-fördelige blir ågot lägre ä om 2 hade varit käd. Återspeglar ökad osäkerhet p.g.a. att populatiosvariase är okäd. Om < 30 och populatioe ite är ormalfördelad, ka vi ite beräka k.i. för µ. 14

15 Lite om t-fördelige: t-fördelige är e saolikhetsfördelig, som likar de stadardiserade ormalfördelige, me som har lite tjockare svasar. Utseedet bestäms av atalet frihetsgrader. När atalet frihetsgrader ökar, så blir t-fördelige mer och mer lik N(0; 1). För 30 brukar ma aväda N(0; 1) i stället för t-fördelige. Att t-fördelige kommer i i detta sammahag beror på att: Vid slumpmässigt stickprov frå e ormalfördelig gäller att de stokastiska variabel X µ s / har e t-fördelig med -1 frihetsgrader. 15

16 Ett exempel på hur e t-fördelig ka se ut (samt, som jämförelse, e stadardiserad ormalfördelig): Täthetsfuktio för t-förd. med 3 fg och för N(0; 1) 0,4 Variable t-förd. N(0;1) f(t) och f(z) 0,3 0,2 0,1 0, t, z

17 Beräkig av kofidesitervall för µ, sammafattig: Är stickprovet stort eller ej? Är populatioe ormalfördelad eller ej? Är populatiosvariase käd eller ej? 30 (oavsett om populatioe är ormalfördelad eller ej) 2 käd: 2 okäd: x ± x ± z z s < 30. Populatioe ormalfördelad. 2 käd: x ± z 2 okäd: x ± t s < 30. Populatioe ite ormalfördelad. Kofidesitervall ka ite beräkas. 17

18 Ex.: Slumpmässigt stickprov med 120 familjer frå e populatio av familjer. Atal bar i varje utvald familj observerades, och ma erhöll x = 1,28 ; s = 1,10 Beräka ett 99% k.i. för µ = medelatalet bar per familj i populatioe. Vi vet att stickprovet dragits geom OSU, och att populatioe iehåller c:a 5000 familjer. Ett 99% k.i. för µ får ädpuktera: dvs. x ± 2, 58 s 1,28 ± 2,58 1, ,28 ± 0,26 (1,02; 1,54) 18

19 Ex.: I ett laboratorium görs mätigar på e variabel som ases vara ormalfördelad. Vid ett tillfälle görs 12 mätigar, varvid ma erhåller x = 9,60 och s = 1,89 Beräka ett 95% k.i. för de studerade variabels vätevärde µ. Ett 95% k.i. för µ får gräsera: s x ± t (-1 = 11 f.g. ger t = 2,201) 9,60 ± 2,201 9,60 ± 1,20 (8,40; 10,80) 1,

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

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

F19 HYPOTESPRÖVNING (NCT ) Hypotesprövning för en differens mellan två medelvärden

F19 HYPOTESPRÖVNING (NCT ) Hypotesprövning för en differens mellan två medelvärden Stat. teori gk, ht 006, JW F19 HPOTESPRÖVNING (NCT 11.1-11.) Hypotesprövig för e differes mella två medelvärde Samma beteckigar som vid kofidesitervall för differes mella två populatiosmedelvärde: Medelvärde

Läs 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 6 732G70, 732G01 Statistik A Föreläsigsuderlage är baserade på uderlag skriva av Karl Wahli Kapitel 6 Iferes om e populatio Sid 151-185 Puktskattig och itervallskattig Statistisk iferes om populatiosmedelvärde

Läs 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

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

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

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

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

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

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

Föreläsning G04 Surveymetodik 732G19 Utredningskunskap I

Föreläsning G04 Surveymetodik 732G19 Utredningskunskap I Föreläsig 5 732G04 Surveymetodik 732G19 Utredigskuskap I Dages föreläsig Klusterurval Estegs klusterurval Tvåstegs klusterurval Klusterurval med PPS 2 Klusterurval De urvalsdesiger som diskuterats hittills

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

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

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

Tentamen i Statistik, STA A13 Deltentamen 2, 5p 5 juni 2004, kl

Tentamen i Statistik, STA A13 Deltentamen 2, 5p 5 juni 2004, kl Karlstads uiversitet Istitutioe för iformatiostekologi Avdelige för statistik Tetame i Statistik, STA A13 Deltetame, 5p 5 jui 004, kl. 09.00-13.00 Tillåta hjälpmedel: Asvarig lärare: Övrigt: Bifogad formel-

Läs mer

Uppsala Universitet Matematiska institutionen Matematisk Statistik. Formel- och tabellsamling. Sannolikhetsteori och Statistik

Uppsala Universitet Matematiska institutionen Matematisk Statistik. Formel- och tabellsamling. Sannolikhetsteori och Statistik Uppsala Uiversitet Matematiska istitutioe Matematisk Statistik Formel- och tabellsamlig Saolikhetsteori och Statistik IT2-2004 Formelsamlig, Saolikhetsteori och Statistik IT-2004 1 Saolikhetsteori 1.1

Läs mer

LÖSNINGSFÖRSLAG TILL TENTAMEN I MATEMATISK STATISTIK

LÖSNINGSFÖRSLAG TILL TENTAMEN I MATEMATISK STATISTIK UMEÅ UNIVERSITET Istitutioe för matematisk statistisk Statistiska metoder, 5 poäg MSTA36 Peter Ato LÖSNINGSFÖRSLAG 005-10-6 LÖSNINGSFÖRSLAG TILL TENTAMEN I MATEMATISK STATISTIK Statistiska metoder, 5 poäg

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

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

Z-Testet. Idè. Repetition normalfördelning. rdelning. Testvariabel z

Z-Testet. Idè. Repetition normalfördelning. rdelning. Testvariabel z Repetitio ormalfördelig rdelig Z-Testet X i. Medelvärdets fördelig:.stadardiserad ormalfördelig: N (, ) X N, X X N (, ) N (,) X N, X N(,) 3. Kvatiler: uwe.meel@math.uu.se Vad gör g r Z-testetZ? H : e ormalfördelad

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

F9 SAMPLINGFÖRDELNINGAR (NCT

F9 SAMPLINGFÖRDELNINGAR (NCT Stat. teori gk, ht 006, JW F9 SAMPLINGFÖRDELNINGAR (NCT 7.1-7.4) Ordlista till NCT Sample Population Simple random sampling Sampling distribution Sample mean Standard error The central limit theorem Proportion

Läs 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

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

Tentamen i Statistik STG A01 (12 hp) 5 mars 2010, kl. 08.15 13.15

Tentamen i Statistik STG A01 (12 hp) 5 mars 2010, kl. 08.15 13.15 Karlstads uiversitet Fakultete för ekoomi, kommuikatio och IT Statistik Tetame i Statistik STG A0 ( hp) 5 mars 00, kl. 08.5 3.5 Tillåta hjälpmedel: Bifogad formel- och tabellsamlig (skall retureras) samt

Läs mer

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del II

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del II Stickprov MS-A0509 Grudkurs i saolikhetskalkyl och statistik Sammafattig del II G Gripeberg Aalto-uiversitetet 4 februari 04 Estimerig 3 Kofidesitervall 4 Hypotesprövig 5 Korrelatio och regressio G Gripeberg

Läs mer

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del II

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del II MS-A0509 Grudkurs i saolikhetskalkyl och statistik Sammafattig, del II G. Gripeberg Aalto-uiversitetet 14 februari 014 G. Gripeberg Aalto-uiversitetet) MS-A0509 Grudkurs i saolikhetskalkyl och statistiksammafattig,

Läs mer

FORMELSAMLING MATEMATISK STATISTIK, FMS601. Fördelning Väntevärde Varians. p x (1 p) n x x = 0, 1,..., n np np(1 p) ) x = 0, 1,..., n np.

FORMELSAMLING MATEMATISK STATISTIK, FMS601. Fördelning Väntevärde Varians. p x (1 p) n x x = 0, 1,..., n np np(1 p) ) x = 0, 1,..., n np. LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK FORMELSAMLING MATEMATISK STATISTIK, FMS601 Valiga fördeligar Fördelig Vätevärde Varias Biomialfördelig, Bi (, p ) P (X = x) = ( x) p x (1 p)

Läs 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

Tentamen i Statistik, STA A10 och STA A13 (9 poäng) 26 mars 2004, klockan

Tentamen i Statistik, STA A10 och STA A13 (9 poäng) 26 mars 2004, klockan Karlstads uiversitet Istitutioe för iformatiostekologi Avdelige för Statistik Tetame i Statistik, STA A10 och STA A13 (9 poäg) 6 mars 004, klocka 14.00-19.00 Tillåta hjälpmedel: Bifogad formelsamlig (med

Läs mer

Id: statistik.tex :48:29Z joa

Id: statistik.tex :48:29Z joa UTDRAG UR FÖRELÄSNINGSANTECKNINGAR I STATISTIKTEORI PUNKT- OCH INTERVALLSKATTNINGAR SAMT HYPOTESTEST MATEMATISK STATISTIK AK FÖR F, E, D, I, C, È; FMS 012 JOAKIM LÜBECK, SEPTEMBER 2008 Iehåll 1 Puktskattigar

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

SAMMANFATTNING TAMS65

SAMMANFATTNING TAMS65 SAMMANFATTNING TAMS65 Matematisk statistik, fortsättigskurs LÄST SOM EN DEL AV CIVILINGENJÖRSPROGRAMMET I INDUSTRIELL EKONOMI VID LITH, VT 016 Seast reviderad: 016-06-01 Författare: Viktor Cheg Iehållsförteckig

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

732G70 Statistik A. Föreläsningsunderlag skapad av Karl Wahlin Föreläsningsslides uppdaterade av Bertil Wegmann

732G70 Statistik A. Föreläsningsunderlag skapad av Karl Wahlin Föreläsningsslides uppdaterade av Bertil Wegmann 73G70 Statistik A Föreläsigsuderlag skapad av Karl Wahli Föreläsigsslides uppdaterade av Bertil Wegma Istitutioe för dataveteskap (IDA) Liköpigs uiversitet vt 06 Kapitel Populatioer, stickprov och variabler

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

Laboration 5: Konfidensintervall viktiga statistiska fördelningar

Laboration 5: Konfidensintervall viktiga statistiska fördelningar LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 5 MATEMATISK STATISTIK, AK FÖR L, FMS 033, HT-02 Laboratio 5: Kofidesitervall viktiga statistiska fördeligar Syfte I dea laboratio

Läs mer

Övningstentamen i MA2018 Tillämpad Matematik III-Statistik, 7.5hp

Övningstentamen i MA2018 Tillämpad Matematik III-Statistik, 7.5hp Övigstetame i MA08 Tillämpad Matematik III-Statistik, 7.5hp Hjälpmedel: Räkedosa och medföljade formelsamlig! Täk på att dia lösigar ska utformas så att det blir lätt för läsare att följa dia takegågar.

Läs mer

TMS136: Dataanalys och statistik Tentamen 2013-10-26 med lösningar

TMS136: Dataanalys och statistik Tentamen 2013-10-26 med lösningar TMS36: Dataaalys och statistik Tetame 03-0-6 med lösigar Examiator och jour: Mattias Sude, tel. 0730 79 9 79 Hjälpmedel: Chalmersgodkäd räkare och formelsamlig formelsamlig delas ut med teta). Betygsgräser:

Läs mer

Rättningstiden är i normalfall 15 arbetsdagar, annars är det detta datum som gäller:

Rättningstiden är i normalfall 15 arbetsdagar, annars är det detta datum som gäller: Matematisk Statistik Provmomet: Ladokkod: Tetame ges för: Tetame TT091A KMASK14H 7,5 högskolepoäg Nam: (Ifylles av studet) Persoummer: (Ifylles av studet) Tetamesdatum: 2 jui 2015 Tid: 9:00-13:00 Hjälpmedel:

Läs mer

Tentamen i statistik för STA A13, 1-10 poäng Deltentamen II, 5p Lördag 9 juni 2007 kl

Tentamen i statistik för STA A13, 1-10 poäng Deltentamen II, 5p Lördag 9 juni 2007 kl Avdelige för atioalekoomi och Tetame i för STA A13, 1-10 poäg Deltetame II, 5p Lördag 9 jui 007 kl. 09.00-13.00 Tillåta hjälpmedel: Bifogad formel- och tabellsamlig (skall retureras) samt miiräkare. Asvarig

Läs mer

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

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 5 Fiasiell Statistik (GN, 7,5 hp,, HT 8) Föreläsig 5 HYPOTESPRÖVNING (LLL Kap 11) Departmet of Statistics (Gebreegus Ghilagaber, PhD, Associate Professor) Fiacial Statistics (Basic-level course, 7,5 ECTS,

Läs mer

Lösningsförslag 081106

Lösningsförslag 081106 Lösigsförslag 86 Uppgift Trädslag: kvalitativ, omialskala (diskret) Diameter: kvatitativ, kvotskala, kotiuerlig Höjd: kvatitativ, kvotskala, kotiuerlig Ålder: kvatitativ, kvotskala, kotiuerlig Trädslag:

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

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

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del II

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del II MS-A0509 Grudkurs i saolikhetskalkyl och statistik Sammafattig, del II G. Gripeberg Aalto-uiversitetet 13 februari 015 G. Gripeberg (Aalto-uiversitetet) MS-A0509 Grudkurs i saolikhetskalkyl och statistik

Läs mer

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning och exempel, del II

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning och exempel, del II MS-A0509 Grudkurs i saolikhetskalkyl och statistik Sammafattig och exempel, del II Stickprov Två yttiga fördeligar Estimerig G. Gripeberg 3 Kofidesitervall Aalto-uiversitetet 3 februari 05 4 Hypotesprövig

Läs mer

Viktigt! Glöm inte att skriva Tentamenskod på alla blad du lämnar in.

Viktigt! Glöm inte att skriva Tentamenskod på alla blad du lämnar in. Statistisk försöksplaerig Provmomet: Ladokkod: Tetame ges för: Skriftlig tetame 3,0 hp 51SF01 DTEIN14h 4,5 högskolepoäg TetamesKod: Tetamesdatum: 5 ovember 015 Tid: 9.00-13.00 Hjälpmedel: Miiräkare Totalt

Läs mer

Tentamen i matematisk statistik

Tentamen i matematisk statistik Tetame i matematisk statistik Uppgift : På e arbetsplats skadades % av persoale uder ett år. 60% av alla skadade var mä. 0% av alla aställda var kvior. Är det maliga eller kviliga aställda som löper störst

Läs mer

F6 STOKASTISKA VARIABLER (NCT ) Används som modell i situation av följande slag: Slh för A är densamma varje gång, P(A) = P.

F6 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 mer

HYPOTESPRÖVNING. De statistiska metoderna som används för att fatta denna typ av beslut baseras på två komplementära antaganden om populationen.

HYPOTESPRÖVNING. De statistiska metoderna som används för att fatta denna typ av beslut baseras på två komplementära antaganden om populationen. HPOTESPRÖVNING De tatitika metodera om aväd för att fatta dea typ av belut baera på två komplemetära atagade om populatioe. Partiet produkter har atige de utlovade kvalitete eller å har de de ite. Atige

Läs mer

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Exempel etc., del II

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Exempel etc., del II MS-A0509 Grudkurs i saolikhetskalkyl och statistik Exempel etc., del II G. Gripeberg Aalto-uiversitetet 14 februari 014 G. Gripeberg (Aalto-uiversitetet) MS-A0509 Grudkurs i saolikhetskalkyl och statistikexempel

Läs mer

Tentamen Metod C vid Uppsala universitet, , kl

Tentamen Metod C vid Uppsala universitet, , kl Tetame Metod C vid Uppsala uiversitet, 160331, kl. 08.00 12.00 Avisigar Av rättigspraktiska skäl skall var och e av de tre huvudfrågora besvaras på separata pappersark. Börja alltså på ett ytt pappersark

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

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

MA2018 Tillämpad Matematik III-Statistik, 7.5hp, 2014-08-23

MA2018 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 mer

Tentamen Metod C vid Uppsala universitet, , kl

Tentamen Metod C vid Uppsala universitet, , kl Tetame Metod C vid Uppsala uiversitet, 160928, kl. 14.00 18.00 Avisigar Av rättigspraktiska skäl skall var och e av de tre huvudfrågora besvaras på separata pappersark. Börja alltså på ett ytt pappersark

Läs mer

Tillåtna hjälpmedel: Eget handskrivet formelblad (A4), utdelad tabellsamling, miniräknare med tömt minne Studenterna får behålla tentamensuppgifterna

Tillåtna hjälpmedel: Eget handskrivet formelblad (A4), utdelad tabellsamling, miniräknare med tömt minne Studenterna får behålla tentamensuppgifterna UMEÅ UNIVERSITET Ititutioe för matematik tatitik Statitik för lärare, MSTA8 PA LÖSNINGSFÖRSLAG 004-0-8 LÖSNINGSFÖRSLAG TILL TENTAMEN I MATEMATISK STATISTIK Statitik för lärare, poäg Tillåta hjälpmedel:

Läs mer

Konsoliderad version av. Styrelsens för ackreditering och teknisk kontroll föreskrifter (STAFS 1993:18) om EEG-märkning av färdigförpackade varor

Konsoliderad version av. Styrelsens för ackreditering och teknisk kontroll föreskrifter (STAFS 1993:18) om EEG-märkning av färdigförpackade varor Kosoliderad versio av Styrelses för ackrediterig och tekisk kotroll föreskrifter (STAFS 1993:18) om EEG-märkig av färdigförpackade varor Rubrike har dea lydelse geom (STAFS 2008:11) Ädrig iförd: t.o.m.

Läs 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

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

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

Hambley avsnitt 12.7 (även 7.3 för den som vill läsa lite mer om grindar)

Hambley avsnitt 12.7 (även 7.3 för den som vill läsa lite mer om grindar) 1 Föreläsig 6, Ht 2 Hambley avsitt 12.7 (äve 7.3 för de som vill läsa lite mer om gridar) Biära tal Vi aväder ormalt det decimala talsystemet, vilket har base 10. Talet 2083 rereseterar då 2 10 3 0 10

Läs mer

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

Räkning med potensserier

Räkning med potensserier Räkig med potesserier Serier (termiologi fis i [P,4-4]!) av type P + + + + 4 +... k ( om < ) k + + + + P 4 4 +... k k! ( e för alla ) k och de i [P, sid.9, formler 7-] som ärmast skulle kua beskrivas som

Läs mer

Statistik för ingenjörer 1MS008

Statistik för ingenjörer 1MS008 Statistik för igejörer MS8 Föreläsig Kursmål: För godkät betyg på kurse skall studete käa till ett flertal metoder och tekiker för visualiserig av datamaterial; kua geomföra ekla beräkigar av saolikheter;

Läs mer

Statistik en introduktion

Statistik en introduktion Varför? Statistik e itroduktio Frida Eek frida.eek@med.lu.se Framtida forskig? Projektarbete? Förståelse! Tolkig! Kritisk graskig/utvärderig! Statistik 1 2 Upplägg Föreläsig 1 q Datatyper q Lägesmått och

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

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

Jag läser kursen på. Halvfart Helfart

Jag läser kursen på. Halvfart Helfart KOD: Kurskod: PC106/PC145 Kurs 6: Persolighet, hälsa och socialpsykologi (15 hp) Datum: 3/8 014 Hel- och halvfart VT 14 Provmomet: Socialpsykologi + Metod Tillåta hjälpmedel: Miiräkare Asvarig lärare:

Läs mer

Några grundläggande begrepp och termer i statistikteorin

Några grundläggande begrepp och termer i statistikteorin Matematisk statistik för STS vt 004 004-05 - 03 Begt Rosé Några grudläggade begrepp och termer i statistikteori Om matematisk statistik Som tidigare ämts brukar matematisk statistik delas upp i huvudområdea

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

MAS110:B MATEMATISK STATISTIK INFERENSTEORI. Matematikcentrum Matematisk statistik ÖVNINGSUPPGIFTER MED LÖSNINGAR TILL FLERTALET UPPGIFTER

MAS110:B MATEMATISK STATISTIK INFERENSTEORI. Matematikcentrum Matematisk statistik ÖVNINGSUPPGIFTER MED LÖSNINGAR TILL FLERTALET UPPGIFTER MAS0:B MATEMATISK STATISTIK ALLMÄN KURS, INFERENSTEORI ÖVNINGSUPPGIFTER MED LÖSNINGAR TILL FLERTALET UPPGIFTER Läsåret 0/0 Matematikcetrum Matematisk statistik CENTRUM SCIENTIARUM MATHEMATICARUM MAS0:B

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

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

Samplingfördelningar 1

Samplingfördelningar 1 Samplingfördelningar 1 Parametrar och statistikor En parameter är en konstant som karakteriserar en population eller en modell. Exempel: Populationsmedelvärdet Parametern p i binomialfördelningen 2 Vi

Läs 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

Lösning till tentamen för kursen Log-linjära statistiska modeller 29 maj 2007

Lösning till tentamen för kursen Log-linjära statistiska modeller 29 maj 2007 STOCKHOLMS UNIVERSITET MS 3150 MATEMATISKA INSTITUTIONEN TENTAMEN Avd. Matematisk statistik 29 maj 2007 Lösig till tetame för kurse Log-lijära statistiska modeller 29 maj 2007 Uppgift 1 a Modelle uta ågra

Läs mer

Tentamen 19 mars, 8:00 12:00, Q22, Q26

Tentamen 19 mars, 8:00 12:00, Q22, Q26 Avdelige för elektriska eergisystem EG225 DRIFT OCH PLANERING AV ELPRODUKTION Vårtermie 25 Tetame 9 mars, 8: 2:, Q22, Q26 Istruktioer Skriv alla svar på det bifogade svarsbladet. Det är valfritt att också

Läs mer

Föreläsning 6 (kap 6.1, 6.3, ): Punktskattningar

Föreläsning 6 (kap 6.1, 6.3, ): Punktskattningar Föreläsning 6 (kap 6.1, 6.3, 7.1-7.3): Punktskattningar Marina Axelson-Fisk 4 maj, 2016 Stickprov (sample) Idag: Stickprovsmedelvärde och varians Statistika (statistic) Punktskattning (point estimation)

Läs mer

Föreläsning G60 Statistiska metoder

Föreläsning G60 Statistiska metoder Föreläsning 5 Statistiska metoder 1 Dagens föreläsning o Konfidensintervall För andelar För medelvärden Vid jämförelser o Den statistiska felmarginalen o Stickprovsstorlek 2 Introduktion När man beräknar

Läs mer

F5 STOKASTISKA VARIABLER (NCT , samt del av 5.4)

F5 STOKASTISKA VARIABLER (NCT , samt del av 5.4) Stat. teori gk, ht 006, JW F5 STOKASTISKA VARIABLER (NCT 5.1-5.3, samt del av 5.4) Ordlista till NCT Random variable Discrete Continuous Probability distribution Probability distribution function Cumulative

Läs mer

Inledande matematisk analys (TATA79) Höstterminen 2016 Föreläsnings- och lekionsplan

Inledande matematisk analys (TATA79) Höstterminen 2016 Föreläsnings- och lekionsplan Iledade matematisk aalys TATA79) Hösttermie 016 Föreläsigs- och lekiospla Föreläsig 1 Logik, axiom och argumet iom matematik, talbeteckigssystem för hetal, ratioella tal, heltalspoteser. Lektio 1 och Hadledigstillfälle

Läs mer

Formelsamling Tillämpad statistik, A5

Formelsamling Tillämpad statistik, A5 Formelsamlig Tillämpad statistik, A5 Statistiska istitutioe, Uppsala uiversitet 016-01-11 Nödvädiga tabeller fis i Tabell- och formelsamlig för A4/A8. Observera att iga ateckigar får fias i formelsamlige

Läs mer

SF1901: SANNOLIKHETSTEORI OCH STATISTIKTEORI KONSTEN ATT DRA INTERVALLSKATTNING. STATISTIK SLUTSATSER. Tatjana Pavlenko.

SF1901: SANNOLIKHETSTEORI OCH STATISTIKTEORI KONSTEN ATT DRA INTERVALLSKATTNING. STATISTIK SLUTSATSER. Tatjana Pavlenko. SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 10 STATISTIKTEORI KONSTEN ATT DRA SLUTSATSER. INTERVALLSKATTNING. Tatjana Pavlenko 25 april 2017 PLAN FÖR DAGENS FÖRELÄSNING Statistisk inferens oversikt

Läs mer

Tillämpad statistik (A5), HT15 Föreläsning 6: Några övriga urvalsmetoder

Tillämpad statistik (A5), HT15 Föreläsning 6: Några övriga urvalsmetoder Tillämpad statistik (A5), HT15 Föreläsning 6: Några övriga smetoder Ronnie Pingel Statistiska institutionen Senast uppdaterad: 2015-11-11 Några övriga smetoder OSU-UÅ (med eller utan stratifiering) förutsätter

Läs mer

Studentens personnummer: Giltig legitimation/pass är obligatoriskt att ha med sig. Tentamensvakt kontrollerar detta.

Studentens personnummer: Giltig legitimation/pass är obligatoriskt att ha med sig. Tentamensvakt kontrollerar detta. KOD: Kurskod: PC106/PC145 Persolighet, hälsa och socialpsykologi (15 hp) Datum: 4/5 014 Hel- och halvfart VT14 Provmomet: Socialpsykologi + Metod Tillåta hjälpmedel: Miiräkare Asvarig lärare: Niklas Frasso

Läs mer

Sensorer, effektorer och fysik. Analys av mätdata

Sensorer, effektorer och fysik. Analys av mätdata Sesorer, effektorer och fysk Aalys av mätdata Iehåll Mätfel Noggrahet och precso Några begrepp om saolkhetslära Läges- och sprdgsmått Kofdestervall Ljär regresso Mätosäkerhetsaalys Mätfel Alla mätgar är

Läs mer

Universitetet: ER-diagram e-namn

Universitetet: ER-diagram e-namn Databaser Desig och programmerig Fortsättig på relatiosmodelle: Normaliserig fuktioella beroede ormalformer iformatiosbevarade relatiosschemauppdelig Varför ormalisera? Metod att skydda oss frå dum desig

Läs mer

Föreläsning 2. NDAB01 Statistik; teori och tillämpning i biologi

Föreläsning 2. NDAB01 Statistik; teori och tillämpning i biologi Föreläsning 2 Statistik; teori och tillämpning i biologi 1 Normalfördelning Samplingfördelningar och CGS Fördelning för en stickprovsstatistika (t.ex. medelvärde) kallas samplingfördelning. I teorin är

Läs mer

Armin Halilovic: EXTRA ÖVNINGAR

Armin Halilovic: EXTRA ÖVNINGAR Stokastiska rocesser Defiitio E stokastisk rocess är e mägd (familj) av stokastiska variabler X(t) arameter t är oftast (me ite alltid) e tidsvariabel rocesse kallas diskret om X(t) är e diskret s v för

Läs mer

Bilaga 1 Formelsamling

Bilaga 1 Formelsamling 1 2 Bilaga 1 Formelsamlig Grudbegre, resultatlaerig och roduktkalkylerig Resultat Itäkt - Kostad Lösamhet Resultat Resursisats TTB Täckigsgrad (TG) Totala itäkter TB Säritäkt Divisioskalkyl är de eklaste

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

Sensorer och elektronik. Analys av mätdata

Sensorer och elektronik. Analys av mätdata Sesorer och elektrok Aalys av mätdata Iehåll Mätfel Några begrepp om saolkhetslära Läges- och sprdgsmått Kofdestervall Ljär regresso Mätosäkerhetsaalys Mätfel Alla mätresultat är behäftade med e vss osäkerhet

Läs mer

Repetition: Enkel sampling. Systemplanering VT11. Repetition: Enkel sampling. Repetition: Enkel sampling

Repetition: Enkel sampling. Systemplanering VT11. Repetition: Enkel sampling. Repetition: Enkel sampling Systemplaeri VT Föreläsi F6: Mote Carlo Iehåll:. Repetitio av ekel sampli 2. Sampli av elmarkader 3. Multi-areamodelle 4. Räka exempel Repetitio: Ekel sampli Mål: Få fram E[X] Defiitio av E[X]: EX [ ]

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

Artificiell intelligens Probabilistisk logik

Artificiell intelligens Probabilistisk logik Probabilistiska resoemag Artificiell itelliges Probabilistisk logik Are Jösso HCS/IDA Osäkerhet Grudläggade saolikhetslära Stokastiska variabler Bayes teorem Bayesiaska ätverk Kostruktio Iferes Osäkerhet

Läs mer

Universitetet: ER-diagram e-namn

Universitetet: ER-diagram e-namn Databaser Desig och programmerig Fortsättig på relatiosmodelle: Normaliserig fuktioella beroede ormalformer iformatiosbevarade relatiosschemauppdelig Varför ormalisera? Metod att skydda oss frå dum desig

Läs mer