Felfortplantningsformlerna
|
|
- Britt Johansson
- för 7 år sedan
- Visningar:
Transkript
1 Matematisk statistik Stockholms universitet Felfortplantningsformlerna Esbjörn Ohlsson Kompendium September 1993 Uppdaterat januari 2005
2 Postadress: Matematisk statistik Matematiska institutionen Stockholms universitet Stockholm Sverige Internet:
3 Matematisk statistik Stockholms universitet Kompendium Felfortplantningsformlerna Esbjörn Ohlsson September 1993 Uppdaterat januari 2005 Förord Avsnitt 1-4 i detta kompendium är avsedda som en komplettering till kursboken Ross (2002) för grundkursen Sannolikhetsteori I. Det något mer teoretiska avsnitt 5 är skrivet för kursen Statistisk Inferensteori II. Första versionen av kompendiet skrevs I den uppdaterade versionen 2005 har referenserna förnyats och layouten förhoppningsvis förbättrats. Stockholm i januari 2005 Esbjörn Ohlsson Innehåll 1 Introduktion 2 2 Funktioner av en stokastisk variabel 3 3 Funktioner av flera stokastiska variabler 5 4 Approximation av fördelningen 6 5 Asymptotiska resultat 7 6 Övningar 11 7 Facit 13 E-post: esbj@math.su.se. Postadress: Matematisk Statistik, Stockholms Universitet, Stockholm.
4 1 INTRODUKTION 2 1 Introduktion För många funktioner av stokastiska variabler kan det vara svårt att bestämma väntevärde och varians exakt. I sådana fall kan man dock ofta göra en approximativ beräkning med hjälp av de så kallade felfortplantningsformlerna, som presenteras på följande sidor. Vi inleder med ett exempel. Exempel 1.1 (Omsättning i livsmedelshandeln) En undersökning av den totala omsättningen i livsmedelshandeln 1987 baserad på ett slumpmässigt urval av butiker gav resultatet 74 mkr. När undersökningen upprepades 1988 (med ett nytt urval) blev resultatet 83 mkr. Dessa värden kan betraktas som utfall av oberoende stokastiska variabler X respektive Y. Låt µ 1 vara den verkliga omsättningen 1987 och µ 2 densamma Enligt uppgift förelåg inga systematiska fel i undersökningen, dvs E [X] = µ 1 och E [Y ] = µ 2. Vidare angavs standardavvikelsen till 2.8 mkr för X och 3.1 mkr för Y, dvs Var(X) = och Var(Y ) = Det är i denna typ av tillämpning vanligt att studera förändringen i omsättning (från 1987 till 1988). Den absoluta förändringen µ 2 µ 1 uppskattas naturligtvis med = 9 mkr, som är en observation av Y X. Vad vet vi om det systematiska och slumpmässiga felet i denna uppskattning? Enligt våra räkneregler för väntevärde och varians för summor av stokastiska variabler (återgivna nedan som formel 3.2 och 3.3 ) gäller E [Y X] = E [Y ] E [X] = µ 2 µ 1 (1.1) Var(Y X) = Var(Y ) + Var(X) = (1.2) Observera att vi här antagit att X och Y kan betraktas som oberoende (pga oberoende urval) så att Cov(X, Y ) = 0. Antag nu att vi i stället är intresserade av förändringen uttryckt som kvoten µ 2 /µ 1, vilket i praktiken är väl så vanligt som att studera den absoluta förändringen. Kvoten skattas med 83/74 = 1.12, som är en observation av Y/X. Vi skulle i detta fall, analogt till (1.1) och (1.2), vilja beräkna [ ] Y E X ( ) Y Var X (1.3) (1.4)
5 2 FUNKTIONER AV EN STOKASTISK VARIABEL 3 Hur kan vi klara detta? Dessvärre går det inte att skriva upp några allmänna formler som uttrycker väntevärde och varians för en kvot i termer av samma storheter för de enskilda variablerna. Därmed kan vi inte lösa problemen i (1.3) och (1.4) på samma enkla sätt som i (1.1) och (1.2). Det är naturligtvis mycket otillfredsställande att inte kunna beräkna väntevärde och varians för en så enkel funktion av två stokastiska variabler som en kvot. Tyvärr uppstår samma problem för nästan alla icke-linjära funktioner av stokastiska variabler. I många fall kan man dock lösa detta problem approximativt genom att använda de så kallade felfortplantningsformlerna, vilka presenteras nedan. Om vi hade känt sannolikhetsfördelningen för X och Y, kunde vi i princip ha klarat beräkningarna i (1.3) och (1.4) (hur?). Ibland kan dock sådana beräkningar bli ganska besvärliga; man kan även då ha nytta av de approximativa formlerna nedan. 2 Funktioner av en stokastisk variabel Låt g(x) vara en funktion av en stokastisk variabel X. Om g(x) är en linjär funktion av x, g(x) = ax+b för några konstanter a och b, så gäller (Ross, Corollary 5.1 sid 143 resp. formel på sidan 145) E [ax + b] = a E [X] + b (2.1) Var(aX + b) = a 2 Var(X) (2.2) Även när g(x) är icke-linjär kan det hända att den kan approximeras någorlunda väl med en linjär funktion, åtminstone i något intervall på x-axeln. Låt oss därför Taylor-utveckla g(x) kring µ = E [X] i ett intervall där X har (nästan) hela sin sannolikhetsmassa: g(x) = g(µ) + (x µ)g (µ) + R(x) där R(x) är resttermen. Antag nu att R(x) kan försummas för de aktuella x-värdena. Då får vi g(x) g(µ) + (X µ)g (µ) (2.3) med sannolikhet (nästan) 1. Ur denna formel får vi, med användande av formlerna (2.1) och (2.2), nu
6 2 FUNKTIONER AV EN STOKASTISK VARIABEL 4 Felfortplantningsformlerna för en funktion av en stokastisk variabel. Med µ = E [X] gäller E [g(x)] g(µ) (2.4) Var(g(X)) Var(X) [g (µ)] 2 (2.5) Dessa formler kallas ibland även Gauss approximationsformler. I avsnitt 3 skall vi antyda hur formlerna kan ges en mer strikt motivering med hjälp av ett asymptotiskt resultat. Vi nöjer oss här med att konstatera att från resonemanget kring (2.3) följer att approximationerna bör bli hyfsade om g(x) är ungefär linjär i ett intervall kring, dit (nästan) hela sannolikhetsfördelningen för X är koncentrerad. Figur 1 och nedanstående anmärkning antyder att approximationen bör bli bättre ju mer koncentrerad sannolikhetsfördelningen för X är kring µ. y y = g(x) f(x) Figur 1: Approximationen blir bra om fördelningen för X är koncentrerad till ett område där g(x) är ungefär linjär. x Anmärkning: Här följer ett exempel på en situation där vi kan ange en enkel uppskattning av felet i approximationen (2.4). Låt I vara ett intervall dit hela sannolikhetsmassan för X är koncentrerad (eventuellt är I hela reela axeln). Antag att funktionen g har kontinuerlig förstaoch andraderivata på I. Då har vi följande välkända utseende på resttermen: R(x) = (x µ) 2 g (z)/2, där z ligger mellan µ och x. Antag vidare att beloppet av g:s andraderivata, g, är begränsat av en konstant C på I. Då begränsas absolutbeloppet av felet i approximationen (2.4) av C Var(X)/2. Att g(x) är ungefär linjär betyder att C kan väljas liten. Om nu även Var(X) är liten, kommer approximationen att vara god.
7 3 FUNKTIONER AV FLERA STOKASTISKA VARIABLER 5 Exempel 2.1 Låt Y = 1/X. Då ger felfortplantningsformlerna E [Y ] 1 E [X] (2.6) Var(Y ) Var(X) (E [X]) 4 (2.7) Approximationen bör vara god om ligger långt ifrån 0 och Var(X) är liten relativt E [X]. Felfortplantningsformlerna måste tillämpas med stor försiktighet, vilket följande exempel understryker. Exempel 2.2 Låt g(x) = x 2. Då ger (2.3) E [ X 2] µ 2 = (E [X]) 2 varur vi felaktigt skulle kunna dra slutsatsen att Var(X) 0 för alla stokastiska variabler! 3 Funktioner av flera stokastiska variabler Låt g(x 1, X 2,..., X n ) vara en funktion av de n stokastiska variablerna X 1, X 2,..., X n. Antag först att g är linjär, dvs n g(x 1, X 2,..., X n ) = c i X i (3.1) för några konstanter c 1, c 2,..., c n. Då får vi, med hjälp av Ross formel (2.2) sid 307 och (3.1) sid 323, samt (2.1) och (2.2) ovan, de välkända räknereglerna [ n ] n E c i X i = c i E [X i ] (3.2) i=1 ( n ) Var c i X i = i=1 n c 2 i Var(X i ) + 2 i=1 i=1 i=1 i=1 j=i+1 n n c i c j Cov(X i, X j ) (3.3) Låt nu g vara en godtycklig funktion som är approximativt linjär i ett område där (X 1, X 2,..., X n ) lägger huvuddelen av sin sannolikhetsmassa. Med hjälp av en Taylor-utveckling kring vektorn av väntevärden µ = (µ 1, µ 2,..., µ n ) för X 1, X 2,..., X n och med samma typ av resonemang som i avsnitt 2 får vi
8 4 APPROXIMATION AV FÖRDELNINGEN 6 Felfortplantningsformlerna för en funktion av flera stokastiska variabler. E [g(x 1, X 2,..., X n )] g(µ 1, µ 2,..., µ n ) (3.4) n Var(g(X 1, X 2,..., X n )) Var(X i ) ( g i(µ) ) n n Cov(X i, X j )g i(µ)g j(µ) i=1 i=1 j=i+1 (3.5) Här betyder g i(µ) den partiella förstaderivatan av g med avseende på argument i (dvs på x i ), evaluerad i punkten µ = (µ 1, µ 2,..., µ n ). Om X 1, X 2,..., X n är oberoende förenklas variansformeln (3.5) till n Var(g(X 1, X 2,..., X n )) Var(X i ) ( g i(µ) ) 2 (3.6) i=1 Exempel 3.1 (Omsättning i livsmedelshandeln, forts.) Vi kan nu använda formel (3.4) och (3.6) till att ge approximativa svar på frågorna i (1.3) och (1.4). Eftersom funktionen g(x, y) = y/x har partiella derivator y/x 2 respektive 1/x får vi [ ] Y E µ 2 (3.7) X µ 1 ( ) Y Var Var(X) µ2 2 + Var(Y ) 1 (3.8) X µ 4 1 µ 2 1 Ekvation (3.7) visar att vi (approximativt) inte har något systematiskt fel i vår uppskattning av den relativa omsättningsförändringen. Om vi gör den ytterligare approximationen att vi ersätter µ 1 och µ 2 med 74, respektive 83 i (3.8) kan vi uppskatta variansen till Approximation av fördelningen Låt oss återvända till formel (2.3). Från denna följer givetvis att g(x) är approximativt fördelad som det linjära uttrycket i högerledet. Ofta kan det vara betydligt enklare att härleda sannolikhetsfördelningen för högerledet än för g(x) direkt. Om till exempel X är normalfördelad, så är högerledet i (2.3) också det (Ross sid 201). Härav följer att g(x) är approximativt normalfördelad, med väntevärde och varians givna av (2.4) och (2.5). Även när X endast är approximativt normalfördelad, följer med samma resonemang som ovan att g(x) också är
9 5 ASYMPTOTISKA RESULTAT 7 det. Detta är ett mycket användbart resultat, bland annat inom statistikteorin där man ofta arbetar med (approximativt) normalfördelade storheter. Även detta resultat kan utvidgas till funktioner av flera stokastiska variabler. 5 Asymptotiska resultat Detta avsnitt förutsätter kunskaper i sannolikhetsteori på fortsättningsnivå, motsvarande Gut (1995). I bevisen kommer vi att behöva ett antal standardsatser om konvergens från sannolikhetsteorin. Dessa hämtar vi från Guts kapitel VI. Härledningen av (2.4), (2.5), (3.4) och (3.5) ovan var tämligen heuristisk. Kan dessa formler ges ett stringent rättfärdigande? En idé som ligger nära till hands är att söka användbara resttermsuppskattningar, såsom i anmärkningen på sidan 4. Detta är i praktiken ett svårlöst problem; vi kommer också att se i exempel 5.1 nedan att resttermen inte nödvändigtvis är det lämpligaste sättet att bedöma felfortplantningsformlernas tillämplighet. Den matematiska statistikens vanligaste metod för att motivera approximationer är asymptotiska resultat, såsom till exempel centrala gränsvärdessatsen. Vi följer här den vägen och börjar med det en-dimensionella fallet. Låt {X n ; n = 1, 2,... } vara en följd av stokastiska variabler som är asymptotiskt normalfördelad med asymptotiskt väntevärde µ och asymptotisk varians σ 2 /n, dvs n(xn µ) d N(0, σ 2 ) då n (5.1) Det kanske viktigaste exemplet på en sådan följd är när X n är medelvärdet X av n stycken oberoende likafördelade stokastiska variabler. Sats 5.1 Låt X n uppfylla (5.1). Låt g(x) vara en deriverbar funktion vars derivata är kontinuerlig i µ och skild från 0 där. Då gäller n (g(xn ) g(µ)) d N(0, [g (µ)] 2 σ 2 ) då n (5.2) Vår tolkning av (5.2) är att när n är stort är g(x n ) approximativt normalfördelad med väntevärde och varians som ges av felfortplantningsformlerna (2.4) och (2.5) och Var(X n ) σ 2 /n.
10 5 ASYMPTOTISKA RESULTAT 8 Bevis. Från den matematiska analysens medelvärdessats följer att vi, för varje x, hitta ett tal ξ sådant att ξ µ x µ och g(x) g(µ) = g (ξ)(x µ) (5.3) Således kan vi finna en stokastisk variabel Z n sådan att Z n µ X n µ och g(x n ) g(µ) = g (Z n )(X n µ) (5.4) Ur (5.1) och Slutsky s sats (Gut, Theorem 7.5 sid 180) följer att X n µ = 1 d n (Xn µ) 0 N(0, σ 2 ) = 0 (5.5) n p µ (Gut, Theorem 3.2). Eftersom Z n µ X n µ får vi också Z n varur X n g :s kontinuitet i µ ger nu (Gut, Theorem 7.7) g (Z n ) p µ. p g (µ) (5.6) Multiplicera nu båda leden i (5.4) med n och använd Slutsky s sats i kombination med (5.1) och (5.6) på högerledet. Resultatet blir (5.2). Exempel 5.1 Låt X 1, X 2,..., X n vara ett stickprov från en Poissonfördelning med väntevärde λ. Säg att vi vill skatta τ = g(λ) = 1/λ till exempel tiden mellan ankomster i en Poissonprocess). ML-skattningen av τ är ˆτ = 1/X. Vi söker dess asymptotiska fördelning, väntevärde och varians. Sats 5.1 ger att (detaljerna lämnas åt läsaren) d n (ˆτ 1/λ) N(0, 1/λ 3 ) då n (5.7) Egentligen är inte Sats 5.1 tillämpbar eftersom g(x) inte existerar i x = 0 och X antar värdet 0 med positiv sannolikhet. Den sistnämnda sannolikheten är dock endast e nλ och ne nλ 0 då n. Vi kan därför tillämpa vår sats på en modifiering av ˆτ som är satt till 0 så snart X är noll. (5.6) håller då trots allt. Slutsatsen är att ˆτ är asymptotiskt väntevärdesriktig (i ovanstående mening) med asymptotisk varians 1/(nλ 3 ). Det är å andra sidan uppenbart att E [ˆτ] = för alla n. Detta exempel illustrerar därmed finessen med att definiera asymptotiskt väntevärde som väntevärdet i den asymptotiska fördelningen snarare än som gränsvärdet av väntevärdena. Observera att resttermen i approximationen (2.4) här är oändlig.
11 5 ASYMPTOTISKA RESULTAT 9 Vid statistiska tillämpningar av Sats 5.1 uppstår vanligen problemet att den asymptotiska variansen beror på en eller flera okända parametrar θ. Följande sats anvisar en lösning i det en-parametriga fallet. För enkelhets skull inskränker vi oss till fallet när T n är en asymptotiskt väntevärdesriktig (följd av) skattning(ar) av θ och vi har d n (Tn θ) N(0, σ 2 (θ)) då n (5.8) Sats 5.2 Låt T n uppfylla (5.8). Låt g(x) vara en deriverbar funktion vars derivata är kontinuerlig i θ och skild från 0 där. Antag att även funktionen σ 2 (x) är kontinuerlig i θ. Då gäller n (g(tn ) g(θ)) d N(0, 1) då n (5.9) g (T n ) σ(t n ) Tolkningen av (5.9) är att vi för stora n kan räkna som om estimatorn g(t n ) av parametern g(θ) är normalfördelad med väntevärde och varians enligt felfortplantningsformeln där θ ersatts med T n i uttrycket för den asymptotiska variansen. Bevis. Enligt sats 5.1 har vi n (g(tn ) g(θ)) g (θ) σ(θ) d N(0, 1) då n (5.10) Av kontinuitetsantagandena och Slutsky s sats följer (Gut, Theorem 3.2, 7.5 och 7.7) g (T n ) σ(t n ) g (θ) σ(θ) p 1 (5.11) Genom att dividera (5.10) med (5.11) och ännu en gång använda Slutsky s sats får vi (5.9). Sats 5.1 och 5.2 kan generaliseras till det flerdimensionella fallet svarande mot avsnitt 3 ovan, där g är en funktion av en vektor av stokastiska variabler. Förutsättningarna är att g är deriverbar i alla argument och att den asymptotiska varians man får med felfortplantningsformlerna inte är 0. Den intresserade läsaren hänvisas till Rao (1973) sid 387, vari även ges en version med g vektorvärd. Ett exempel på normalfördelningsapproximation av en funktion av flera normalfördelade variabler ges i Sundberg (1997) sid 79 (kalibrering). Även i denna tillämpning saknar funktionen (ändligt) väntevärde. Observera att även med ett asymptotiskt resultat i ryggen blir det en bedömningsfråga att avgöra när approximationen kan användas i en konkret tillämpning. En diskussion om noggrannheten i approximationerna i konkreta fall ges i Ku (1966). Från denna rapport hämtar vi också vår avslutande kommentar.
12 The most important conclusion is that the classical propagation formula is much better than seems to be usually realized. Examples indicate that it is likely to suffice for most work. (John W. Tukey) Referenser [1] Gut, A.,(1995), An Intermediate Course in Probability Theory, Springer-Verlag [2] Ku, H. H.,(1966), Notes on the Use of Propagation of Error Formulas, Journal of Research of the National Bureau of Standards, Vol 70C, No. 4 [3] Ross, S.,(2002), A First Course in Probability, 6 Edition, Prentice Hall [4] Sundberg, R.,(1984), Kompendium i Tillämpad Matematisk Statistik, KTH En elementär framställning, som influerat avsnitt 1-3 ovan, ges i [5] Blom, G.,(1980), Sannolikhetsteori och statistikteori med tillämpningar (Bok C), Tredje upplagan, Studentlitteratur, Lund
13 6 ÖVNINGAR 11 6 Övningar Avsnitt 1-4 Låt oss först påminna om att standardavvikelsen är kvadratroten ur variansen. Uppgifter märkta (KTH) är hämtade ur någon av de problemsamlingar som förekommer vid KTH. F1. (KTH) En kemist beräknar volymen av sfäriska bubblor genom att mäta bubblornas diameter d på en fotografisk plåt och tillämpa formeln v = πd 3 /6. Mätningen av en diameter är behäftad med osäkerhet och kan betraktas som en observation av en stokastisk variabel med väntevärde d och standardavvikelse 0.02 mm. För en viss bubbla blev diametervärdet d = 1.80 mm varur v = 3.05 mm 3. Bestäm approximativt väntevärde och standardavvikelse för volymsbestämningen. F2. Om en lösning har vätejonkoncentration x, så definieras ph-värdet som 10 log(x). Antag att en viss vätska har ph-värdet p och att detta kan bestämmas med ett mätfel som har standardavvikelse σ. Ange approximativa formler för väntevärde och standardavvikelse för motsvarande bestämning av vätejonkoncentrationen. F3. a) Visa att (2.4) och (2.5) reduceras till (2.1) och (2.2) då g(x) = ax + b för några konstanter a och b. Följaktligen är approximationen exakt i detta fall. b) Visa att (3.4) och (3.5) reduceras till (3.2) och (3.3) då g är linjär, dvs (3.1) gäller. Slutsatsen blir även här att approximationen är exakt. F4. Den kontinuerliga stokastiska variabeln X är likformigt fördelad på intervallet (a, b), där a = 1 ɛ och b = 1 + ɛ för någon konstant ɛ, 0 < ɛ < 1. Sätt Y=1/X. a) Bestäm E [Y ], dels exakt, dels med felfortplantningsformeln. Hur stort blir det relativa felet i approximationen om ɛ är: 0.50, 0.25, 0.10 respektive 0.05? b) För ɛ = 0.10, bestäm Var(Y ) dels exakt, dels med felfortplantningsformeln och jämför resultaten. F5. Upprepa beräkningarna för Y X och Y/X i exempel 1.1 i texten, men nu under antagande att de båda undersökningarna byggde på delvis samma urval, så att Cov(X, Y ) = 3.0 (säg). F6. (KTH) I en serie försök uppmättes svängningstiden t för en pendel samt pendelns längd l. Mätningarna kan ses som observationer av stokastiska variabler med väntevärden lika
14 6 ÖVNINGAR 12 med de verkliga värdena på t och l. I ett försök uppmättes t = och l = Vidare vet man från lång erfarenhet att standardavvikelserna för dessa bestämningar är respektive Mätningarna kan betraktas som oberoende. Efter försöket beräknades en skattning av tyngdaccelerationen g enligt formeln g = 4π2 l t 2 Ge approximativa formler för väntevärde och standardavvikelse för bestämningen av g, uttryckt i t och l. Vad säger oss väntevärdesformeln? Ge också ett numeriskt närmevärde för standardavvikelsen. F7. Man kastar två symmetriska mynt. Låt X anta värdet 1 om det första myntet visar krona, 2 om det visar klave. Låt Y anta samma värden för det andra myntet. a) Beräkna E [Y/X] exakt och jämför med vad (3.4) ger. Upprepa beräkningen då värdena som variablerna antar är 11 och 12, samt när de är 1/2 och 1. Slutsats? b) Upprepa beräkningarna i a, men nu för Var(Y/X). F8. Variationskoefficienten R(X) för en stokastisk variabel X definieras som standardavvikelsen delat med väntevärdet. Använd felfortplantningsformlerna till att visa att om X och Y är oberoende och a) Z = X Y b) Z = X/Y Avsnitt 5 F9. (Från tentamen juni 1993.) Låt X 1, X 2,..., X n vara ett stickprov ("iid", sample") från en exponentialfördelning med väntevärde 1/λ där λ är en okänd parameter som är strikt positiv och n är stort. Man ville skatta γ = λ = 1 λ+1 1+1/λ. En naturligskattning av n i=1 e X i. γ är ˆγ 1 = 1. En alternativ, väntevärdesriktig, skattning ges av ˆγ 1+X 2 = 1 n Man kan nu fråga sig vilken av dessa båda skattningar som bör väljas. Eftersom det är besvärligt att bestämma väntevärde och varians för ˆγ 1 bestämde man sig för att avgöra frågan utifrån estimatorernas asymptotiska egenskaper. Visa att båda estimatorerna är asymptotiskt normalfördelade och är asymptotiskt väntevärdesriktiga. Bestäm den asymptotiska effektiviteten e av ˆγ 1 relativt ˆγ 2. Avgör vilken estimator som är att föredra i termer av e. Undersök estimatorvalets betydelse för effektiviteten för små respektive stora λ genom att se vad som händer med e när λ 0 respektive λ.
15 7 FACIT 13 7 Facit F1) σ 0.01πd 2 F2) E [X] 10 p σ X σ log(10) 10 p F4) (a) Exakt: E [Y ] = log((1+ɛ)/(1 ɛ)) 2ɛ Approx: E [Y ] = 1 F5) Det relativa felet blir ungefär 9.0% (ɛ = 0.50), 2.1% (ɛ = 0.25), 0.3% (ɛ = 0.10), respektive 0.1% (ɛ = 0.05). (b) Exakt: Var(Y ) F6) E [g] 4π2 l t 2 Approx: Var(Y ) E [Y X] = µ 2 µ 1 Var(Y X) = E [Y/X] µ 2 µ 1 Var(Y/X) (7.84µ µ 2 1 6µ 1 µ 2 ) µ 4 1 Var(g) Var(l) 16π4 t 4 + Var(t) 64π4 l 2 t 6 (σ g 19.64) F7) (a) Om X, Y antar värdena 1, 2: Exakt: E [Y/X] = 9/8 = Approx: E [Y/X] 1 Om X, Y antar värdena 11, 12: Exakt: E [Y/X] = 529/ Approx: E [Y/X] 1 Om X, Y antar värdena 0.5, 1: Exakt: E [Y/X] = 9/8 = Approx: E [Y/X] 1 (b) Om X, Y antar värdena 1, 2: Exakt: Var(Y/X) = 19/ Approx: Var(Y/X) = 2/ Om X, Y antar värdena 11,12: Exakt: Var(Y/X)
16 7 FACIT 14 Approx: Var(Y/X) Om X, Y antar värdena 0.5, 1: Exakt: Var(Y/X) = 19/ Approx: Var(Y/X) = 2/ F9) e = 1+2/λ+1/λ2 1+2/λ > 1 ˆγ 1 är bättre. e { då λ 0 1 då λ
SF1901: Medelfel, felfortplantning
SF1901: Medelfel, felfortplantning Jan Grandell & Timo Koski 15.09.2011 Jan Grandell & Timo Koski () Matematisk statistik 15.09.2011 1 / 14 Felfortplantning Felfortplantning kallas propagation of error
Läs merLektionsanteckningar 11-12: Normalfördelningen
Lektionsanteckningar 11-12: Normalfördelningen När utfallsrummet för en slumpvariabel kan anta vilket värde som helst i ett givet intervall är variabeln kontinuerlig. Det är väsentligt att utfallsrummet
Läs merMatematisk statistik 9hp Föreläsning 7: Normalfördelning
Matematisk statistik 9hp Föreläsning 7: Normalfördelning Anna Lindgren 29+3 september 216 Anna Lindgren anna@maths.lth.se FMS12/MASB3 F7: normalfördelning 1/18 Kovarians, C(X, Y) Repetition Normalfördelning
Läs merSF1901 Föreläsning 14: Felfortplantning, medelfel, Gauss approximation, bootstrap
SF1901 Föreläsning 14: Felfortplantning, medelfel, Gauss approximation, bootstrap Jan Grandell, Gunnar Englund & Timo Koski 03.03.2016 Jan Grandell, Gunnar Englund & Timo Koski Matematisk statistik 03.03.2016
Läs merSF1901: 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 merF5 STOKASTISKA VARIABLER (NCT , samt del av 5.4)
Stat. teori gk, ht 006, JW F5 STOKASTISKA VARIABLER (NCT 5.1-5.3, samt del av 5.4) Ordlista till NCT Random variable Discrete Continuous Probability distribution Probability distribution function Cumulative
Läs merFöreläsningsmanus i matematisk statistik för lantmätare, vecka 5 HT06
Föreläsningsmanus i matematisk statistik för lantmätare, vecka 5 HT06 Bengt Ringnér September 20, 2006 Inledning Detta är preliminärt undervisningsmaterial. Synpunkter är välkomna. 2 Väntevärde standardavvikelse
Läs merMVE051/MSG Föreläsning 7
MVE051/MSG810 2016 Föreläsning 7 Petter Mostad Chalmers November 23, 2016 Överblick Deskriptiv statistik Grafiska sammanfattningar. Numeriska sammanfattningar. Estimering (skattning) Teori Några exempel
Läs merSF1901: Sannolikhetslära och statistik. Statistik: Intervallskattning (konfidensintervall)
SF1901: Sannolikhetslära och statistik Föreläsning 9. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski 21.02.2012 Jan Grandell & Timo Koski () Matematisk statistik 21.02.2012
Läs merGrundläggande matematisk statistik
Grundläggande matematisk statistik Kontinuerliga fördelningar Uwe Menzel, 8 www.matstat.de Begrepp fördelning Hur beter sig en variabel slumpmässigt? En slumpvariabel (s.v.) har en viss fördelning, d.v.s.
Läs merFöreläsning 1. Repetition av sannolikhetsteori. Patrik Zetterberg. 6 december 2012
Föreläsning 1 Repetition av sannolikhetsteori Patrik Zetterberg 6 december 2012 1 / 28 Viktiga statistiska begrepp För att kunna förstå mer avancerade koncept under kursens gång är det viktigt att vi förstår
Läs merF9 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 merSamplingfördelningar 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 merSF1901: Sannolikhetslära och statistik. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski
SF1901: Sannolikhetslära och statistik Föreläsning 10. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski 18.02.2016 Jan Grandell & Timo Koski Matematisk statistik 18.02.2016
Läs mer4 Diskret stokastisk variabel
4 Diskret stokastisk variabel En stokastisk variabel är en variabel vars värde bestäms av utfallet av ett slumpmässigt försök. En stokastisk variabel betecknas ofta med X, Y eller Z (i läroboken används
Läs merLaboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 4 MATEMATISK STATISTIK, FÖR I/PI, FMS 121/2, HT-3 Laboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
Läs merInledning till statistikteorin. Skattningar och konfidensintervall för μ och σ
Inledning till statistikteorin Skattningar och konfidensintervall för μ och σ Punktskattningar Stickprov från en population - - - Vi vill undersöka bollhavet men får bara göra det genom att ta en boll
Läs merKap 6: Normalfördelningen. Normalfördelningen Normalfördelningen som approximation till binomialfördelningen
Kap 6: Normalfördelningen Normalfördelningen Normalfördelningen som approximation till binomialfördelningen σ μ 1 Sats 6 A Om vi ändrar läge och/eller skala på en normalfördelning så har vi fortfarande
Läs merMatematisk statistik 9 hp Föreläsning 6: Linjärkombinationer
Matematisk statistik 9 hp Föreläsning 6: Linjärkombinationer Anna Lindgren 27+28 september 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F6: linjärkombinationer 1/21 sum/max/min V.v./var Summa av
Läs merMatematisk statistik för B, K, N, BME och Kemister
Matematisk statistik för B, K, N, BME och Kemister Föreläsning 5 Johan Lindström 12 september 216 Johan Lindström - johanl@maths.lth.se FMS86/MASB2 F5 1/23 Repetition Gauss approximation Delta metoden
Läs merFöreläsning 4: Konfidensintervall (forts.)
Föreläsning 4: Konfidensintervall forts. Johan Thim johan.thim@liu.se 3 september 8 Skillnad mellan parametrar Vi kommer nu fortsätta med att konstruera konfidensintervall och vi kommer betrakta lite olika
Läs merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE301 Sannolikhet, statistik och risk 2018-10-12 kl. 8:30-13:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Olof Elias, telefon: 031-7725325 Hjälpmedel: Valfri
Läs merFöreläsning 6, Matematisk statistik Π + E
Repetition Kovarians Stora talens lag Gauss Föreläsning 6, Matematisk statistik Π + E Sören Vang Andersen 2 december 2014 Sören Vang Andersen - sva@maths.lth.se FMS012 F6 1/20 Repetition Kovarians Stora
Läs merMatematisk statistik KTH. Formelsamling i matematisk statistik
Matematisk statistik KTH Formelsamling i matematisk statistik Vårterminen 2017 1 Kombinatorik ) n n! = k k! n k)!. Tolkning: mängd med n element. ) n = antalet delmängder av storlek k ur en k 2 Stokastiska
Läs merKurssammanfattning MVE055
Obs: Detta är enbart tänkt som en översikt och innehåller långt ifrån allt som ingår i kursen (vilket anges exakt på hemsidan). Fullständiga antaganden i satser kan saknas och fel kan förekomma så kontrollera
Läs merFöreläsning 8, Matematisk statistik Π + E
Repetition Binomial Poisson Stokastisk process Föreläsning 8, Matematisk statistik Π + E Sören Vang Andersen 9 december 214 Sören Vang Andersen - sva@maths.lth.se FMS12 F8 1/23 Repetition Binomial Poisson
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 10 27 november 2017 1 / 28 Idag Mer om punktskattningar Minsta-kvadrat-metoden (Kap. 11.6) Intervallskattning (Kap. 12.2) Tillämpning på
Läs merNågra extra övningsuppgifter i Statistisk teori
Statistiska institutionen Några extra övningsuppgifter i Statistisk teori 23 JANUARI 2009 2 Sannolikhetsteorins grunder 1. Tre vanliga symmetriska tärningar kastas. Om inte alla tre tärningarna visar sexa,
Läs merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik Chalmers University of Technology April 27, 2015 Tvådimensionella fördelningar Definition En två dimensionell slumpvariabel (X, Y ) tillordnar två numeriska
Läs merDemonstration av laboration 2, SF1901
KTH 29 November 2017 Laboration 2 Målet med dagens föreläsning är att repetera några viktiga begrepp från kursen och illustrera dem med hjälp av MATLAB. Laboration 2 har följande delar Fördelningsfunktion
Läs merFöreläsning 5, Matematisk statistik 7.5hp för E Linjärkombinationer
Föreläsning 5, Matematisk statistik 7.5hp för E Linjärkombinationer Stas Volkov Stanislav Volkov s.volkov@maths.lth.se FMSF20 F5: linjärkombinationer 1/20 sum/max/min V.v./var Summa av två oberoende, Z
Läs merFinansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 3
Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 3 Kontinuerliga sannolikhetsfördelningar (LLL Kap 7 & 9) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics
Läs merFORMELSAMLING HT-18 MATEMATISK STATISTIK FÖR B, K, N, BME OCH KEMISTER; FMSF70 & MASB02. Sannolikhetsteori. Beskrivning av data
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK FORMELSAMLING HT-18 MATEMATISK STATISTIK FÖR B, K, N, BME OCH KEMISTER; FMSF70 & MASB02 Sannolikhetsteori Följande gäller för sannolikheter:
Läs merTransformer i sannolikhetsteori
Transformer i sannolikhetsteori Joakim Lübeck 28-11-13 För dig som läst eller läser sannolikhetsteori (fram till och med normalfördelningen) och läst eller läser system och transformer (till och med fouriertransform)
Läs merMatematisk statistik för D, I, Π och Fysiker
Matematisk statistik för D, I, Π och Fysiker Föreläsning 15 Johan Lindström 4 december 218 Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F15 1/28 Repetition Linjär regression Modell Parameterskattningar
Läs merMatematisk statistik KTH. Formel- och tabellsamling i matematisk statistik
Matematisk statistik KTH Formel- och tabellsamling i matematisk statistik Varterminen 2005 . Kombinatorik n = k n! k!n k!. Tolkning: n k mängd med n element. 2. Stokastiska variabler V X = EX 2 EX 2 =
Läs mer0 om x < 0, F X (x) = c x. 1 om x 2.
Avd. Matematisk statistik TENTAMEN I SF193 SANNOLIKHETSLÄRA OCH STATISTIK FÖR 3-ÅRIG Media TIMEH MÅNDAGEN DEN 16 AUGUSTI 1 KL 8. 13.. Examinator: Gunnar Englund, tel. 7974 16. Tillåtna hjälpmedel: Läroboken.
Läs merSF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 3 Diskreta stokastiska variabler. Jörgen Säve-Söderbergh
SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 3 Diskreta stokastiska variabler Jörgen Säve-Söderbergh Stokastisk variabel Singla en slant två gånger. Ω = {Kr Kr, Kr Kl, Kl Kr, Kl Kl}
Läs merKonvergens och Kontinuitet
Kapitel 7 Konvergens och Kontinuitet Gränsvärdesbegreppet är väldigt centralt inom matematik. Som du förhoppningsvis kommer ihåg från matematisk analys så definieras tex derivatan av en funktion f : R
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 6 13 november 2017 1 / 29 Idag Förra gången Mer om väntevärden och varianser (Kap. 5.2 5.3) Beroendemått (Kap. 5.4) Summor, linjärkombinationer
Läs merFORMELSAMLING MATEMATISK STATISTIK FÖR W; FMSF75 UPPDATERAD Sannolikhetsteori. Beskrivning av data. Läges-, spridnings- och beroendemått
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK FORMELSAMLING MATEMATISK STATISTIK FÖR W; FMSF75 UPPDATERAD 208-08-26 Sannolikhetsteori Följande gäller för sannolikheter: 0 P(A P(Ω = P(A
Läs merFMSF55: Matematisk statistik för C och M OH-bilder på föreläsning 5, a 2 e x2 /a 2, x > 0 där a antas vara 0.6.
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF55: Matematisk statistik för C och M OH-bilder på föreläsning 5, 28-4-6 EXEMPEL (max och min): Ett instrument består av tre komponenter.
Läs merFöreläsningsanteckningar till kapitel 8, del 2
Föreläsningsanteckningar till kapitel 8, del 2 Kasper K. S. Andersen 4 oktober 208 Jämförelse av två väntevärden Ofte vil man jämföra två eller fler) produkter, behandlingar, processer etc. med varandra.
Läs merTMS136. Föreläsning 4
TMS136 Föreläsning 4 Kontinuerliga stokastiska variabler Kontinuerliga stokastiska variabler är stokastiska variabler som tar värden i intervall av den reella axeln Det kan handla om längder, temperaturer,
Läs merKonvergens för iterativa metoder
Konvergens för iterativa metoder 1 Terminologi Iterativa metoder används för att lösa olinjära (och ibland linjära) ekvationssystem numeriskt. De utgår från en startgissning x 0 och ger sedan en följd
Läs merFinns det över huvud taget anledning att förvänta sig något speciellt? Finns det en generell fördelning som beskriver en mätning?
När vi nu lärt oss olika sätt att karaktärisera en fördelning av mätvärden, kan vi börja fundera över vad vi förväntar oss t ex för fördelningen av mätdata när vi mätte längden av en parkeringsficka. Finns
Läs merFöreläsning 11: Mer om jämförelser och inferens
Föreläsning 11: Mer om jämförelser och inferens Matematisk statistik David Bolin Chalmers University of Technology Maj 12, 2014 Oberoende stickprov Vi antar att vi har två oberoende stickprov n 1 observationer
Läs merKap 3: Diskreta fördelningar
Kap 3: Diskreta fördelningar Sannolikhetsfördelningar Slumpvariabler Fördelningsfunktion Diskreta fördelningar Likformiga fördelningen Binomialfördelningen Hypergeometriska fördelningen Poisson fördelningen
Läs merÖvning 1 Sannolikhetsteorins grunder
Övning 1 Sannolikhetsteorins grunder Två händelser A och B är disjunkta om {A B} =, det vill säga att snittet inte innehåller några element. Om vi har en mängd händelser A 1, A 2, A 3,..., A n, vilka är
Läs merTentamen för kursen. Linjära statistiska modeller. 22 augusti
STOCKHOLMS UNIVERSITET MATEMATISK STATISTIK Tentamen för kursen Linjära statistiska modeller 22 augusti 2008 9 14 Examinator: Anders Björkström, tel. 16 45 54, bjorks@math.su.se Återlämning: Rum 312, hus
Läs merTAMS79: Föreläsning 6. Normalfördelning
TAMS79: Föreläsning 6 Normalfördelningen Johan Thim (johan.thim@liu.se 3 november 018 Normalfördelning Definition. Låt µ R och > 0. Om X är en stokastisk variabel med täthetsfunktion f X ( = 1 ( ep ( µ,
Läs merTENTAMEN I MATEMATIK MED MATEMATISK STATISTIK HF1004, TEN
TENTAMEN I MATEMATIK MED MATEMATISK STATISTIK HF004, TEN 06-06-0 Hjälpmedel: Formler oh tabeller i statistik, räknedosa Fullständiga lösningar erfordras till samtliga uppgifter. Lösningarna skall vara
Läs mer9. Konfidensintervall vid normalfördelning
TNG006 F9 09-05-016 Konfidensintervall 9. Konfidensintervall vid normalfördelning Låt x 1, x,..., x n vara ett observerat stickprov av oberoende s.v. X 1, X,..., X n var och en med fördelning F. Antag
Läs merFöreläsning 7. Statistikens grunder.
Föreläsning 7. Statistikens grunder. Jesper Rydén Matematiska institutionen, Uppsala universitet jesper.ryden@math.uu.se 1MS008, 1MS777 vt 2016 Föreläsningens innehåll Översikt, dagens föreläsning: Inledande
Läs mer0 om x < 0, F X (x) = x. 3 om 0 x 1, 1 om x > 1.
Avd. Matematisk statistik TENTAMEN I SF9, SF95 SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAGEN DEN 2:E JANUARI 25 KL 4. 9.. Kursledare: Gunnar Englund, 73 32 37 45 Tillåtna hjälpmedel: Formel- och tabellsamling
Läs merFöreläsning 12: Regression
Föreläsning 12: Regression Matematisk statistik David Bolin Chalmers University of Technology Maj 15, 2014 Binomialfördelningen Låt X Bin(n, p). Vi observerar x och vill ha information om p. p = x/n är
Läs merSF1911: Statistik för bioteknik
SF1911: Statistik för bioteknik Föreläsning 6. TK 14.11.2016 TK Matematisk statistik 14.11.2016 1 / 38 Lärandemål Stokastiska modeller för kontinuerliga datatyper Fördelningsfunktion (cdf) Sannolikhetstäthetsfunktion
Läs merTentamen LMA 200 Matematisk statistik,
Tentamen LMA 00 Matematisk statistik, 0 Tentamen består av åtta uppgifter motsvarande totalt 50 poäng. Det krävs minst 0 poäng för betyg, minst 0 poäng för 4 och minst 40 för 5. Examinator: Ulla Blomqvist,
Läs merMVE051/MSG Föreläsning 14
MVE051/MSG810 2016 Föreläsning 14 Petter Mostad Chalmers December 14, 2016 Beroende och oberoende variabler Hittills i kursen har vi tittat på modeller där alla observationer representeras av stokastiska
Läs merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE301 Sannolikhet, statistik och risk 2017-06-01 kl. 8:30-13:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Ivar Simonsson, telefon: 031-7725325 Hjälpmedel: Valfri
Läs merMatematisk statistik TMS064/TMS063 Tentamen
Matematisk statistik TMS64/TMS63 Tentamen 29-8-2 Tid: 4:-8: Tentamensplats: SB Hjälpmedel: Bifogad formelsamling och tabell samt Chalmersgodkänd räknare. Kursansvarig: Olof Elias Telefonvakt/jour: Olof
Läs merKapitel 3 Diskreta slumpvariabler och deras sannolikhetsfördelningar
Sannolikhetslära och inferens II Kapitel 3 Diskreta slumpvariabler och deras sannolikhetsfördelningar 1 Diskreta slumpvariabler En slumpvariabel tilldelar tal till samtliga utfall i ett slumpförsök. Vi
Läs merKapitel 4 Sannolikhetsfördelningar Sid Föreläsningsunderlagen är baserade på underlag skrivna av Karl Wahlin
Kapitel 4 Sannolikhetsfördelningar Sid 79-14 Föreläsningsunderlagen är baserade på underlag skrivna av Karl Wahlin Slumpvariabel En variabel för vilken slumpen bestämmer utfallet. Slantsingling, tärningskast,
Läs merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE31 Sannolikhet, statistik och risk 218-1-12 kl. 8:3-13:3 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Olof Elias, telefon: 31-7725325 Hjälpmedel: Valfri miniräknare.
Läs merHärledning av Black-Littermans formel mha allmänna linjära modellen
Härledning av Black-Littermans formel mha allmänna linjära modellen Ett sätt att få fram Black-Littermans formel är att formulera problemet att hitta lämpliga justerade avkastningar som ett skattningsproblem
Läs merBestäm med hjälp av en lämplig och välmotiverad approximation P (X > 50). (10 p)
Avd. Matematisk statistik TENTAMEN I SF1901, SF1905, SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAGEN DEN 17:E AUGUSTI 2015 KL 8.00 13.00. Kursledare: Tatjana Pavlenko, 08-790 84 66 Tillåtna hjälpmedel: Formel-
Läs merF8 Skattningar. Måns Thulin. Uppsala universitet Statistik för ingenjörer 14/ /17
1/17 F8 Skattningar Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 14/2 2013 Inledande exempel: kullager Antag att diametern på kullager av en viss typ är normalfördelad N(µ,
Läs merBengt Ringnér. October 30, 2006
Väntevärden Bengt Ringnér October 0, 2006 1 Inledning 2 Väntevärden Låt X vara en stokastisk variabel som representerar ett slumpmässigt försök, t ex att mäta en viss storhet. Antag att man kan göra, eller
Läs merFöreläsning 8 för TNIU23 Integraler och statistik
Föreläsning 8 för TNIU Integraler och statistik Krzysztof Marciniak ITN, Campus Norrköping, krzma@itn.liu.se www.itn.liu.se/ krzma ver. - 9--6 Inledning - lite om statistik Statistik är en gren av tillämpad
Läs merFöreläsning 6, FMSF45 Linjärkombinationer
Föreläsning 6, FMSF45 Linjärkombinationer Stas Volkov 2017-09-26 Stanislav Volkov s.volkov@maths.lth.se FMSF45 F6: linjärkombinationer 1/20 sum/max/min V.v./var Summa av två oberoende, Z = X + Y p Z (k)
Läs merFormel- och tabellsamling i matematisk statistik
Formel- och tabellsamling i matematisk statistik 1. Sannolikhetsteori för lärarprogrammet Sannolikhetsformler P (A ) = 1 P (A) P (A B) = P (A) + P (B) P (A B) P (A B) = P (A B) P (B) P (A B) = P (A B)P
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 4 7 november 2017 1 / 29 Idag Förra gången Viktiga kontinuerliga fördelningar (Kap. 3.6) Fördelningsfunktion (Kap. 3.7) Funktioner av stokastiska
Läs merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE301 Sannolikhet, statistik och risk 2018-05-31 kl. 8:30-13:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Ivar Simonsson, telefon: 031-7725325 Hjälpmedel: Valfri
Läs merSF1901: SANNOLIKHETSTEORI OCH MER ON VÄNTEVÄRDE OCH VARIANS. KOVARIANS OCH KORRELATION. STORA TALENS LAG. STATISTIK.
SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 6 MER ON VÄNTEVÄRDE OCH VARIANS. KOVARIANS OCH KORRELATION. STORA TALENS LAG. Tatjana Pavlenko 12 september 2017 PLAN FÖR DAGENS FÖRELÄSNING Repetition
Läs merJörgen Säve-Söderbergh
SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 8 Binomial-, hypergeometrisk- och Poissonfördelning Exakta egenskaper Approximativa egenskaper Jörgen Säve-Söderbergh Binomialfördelningen
Läs merSF1901: SANNOLIKHETSTEORI OCH KONTINUERLIGA STOKASTISKA VARIABLER STATISTIK. Tatjana Pavlenko. 7 september 2016
SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 4 KONTINUERLIGA STOKASTISKA VARIABLER Tatjana Pavlenko 7 september 2016 PLAN FÖR DAGENS FÖRELÄSNING Repetition av diskreta stokastiska variabler. Väntevärde
Läs merb) antalet timmar Lukas måste arbeta för att sannolikheten att han ska hinna med alla 112 datorerna ska bli minst (3 p)
Avd. Matematisk statistik TENTAMEN I SF1901, SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAGEN DEN 27:E OKTOBER 2014 KL 08.00 13.00. Kursledare: Tatjana Pavlenko, 08-790 84 66, Björn-Olof Skytt, 08-790 86 49.
Läs merKapitel 4. Kontinuerliga slumpvariabler och deras sannolikhetsfördelningar. Sannolikhetslära och inferens II
Sannolikhetslära och inferens II Kapitel 4 Kontinuerliga slumpvariabler och deras sannolikhetsfördelningar 1 Kontinuerliga slumpvariabler En slumpvariabel som kan anta alla värden på något intervall sägs
Läs merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik Chalmers University of Technology September 21, 2015 Tvådimensionella fördelningar Definition En två dimensionell slumpvariabel (X, Y ) tillordnar två
Läs merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE31 Sannolikhet, statistik och risk 218-5-31 kl. 8:3-13:3 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Ivar Simonsson, telefon: 31-7725325 Hjälpmedel: Valfri miniräknare.
Läs merKapitel 9 Egenskaper hos punktskattare
Sannolikhetslära och inferens II Kapitel 9 Egenskaper hos punktskattare 1 Egenskaper hos punktskattare En skattare är en funktion av stickprovet och således en slumpvariabel. En bedömning av kvaliteten
Läs merSF1625 Envariabelanalys Lösningsförslag till tentamen
SF1625 Envariabelanalys Lösningsförslag till tentamen 216-6-1 1. Derivera nedanstående funktioner med avseende på x och ange för vilka x derivatan existerar. Endast svar krävs. A. f(x) = arctan 1 x B.
Läs merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik David Bolin Chalmers University of Technology April 7, 2014 Projektuppgift Projektet går ut på att genomföra ett statistiskt försök och analysera resultaten.
Läs merAvd. Matematisk statistik
Avd. Matematisk statistik TENTAMEN I SF1901, SANNOLIKHETSTEORI OCH STATISTIK, ONSDAGEN DEN 28:E OKTOBER 2015 KL 8.00 13.00. Kursledare: Tatjana Pavlenko, 08-790 84 66, Björn Olof Skytt 08-790 86 49. Tillåtna
Läs merBengt Ringnér. September 20, Detta är föreläsningsmanus på lantmätarprogrammet LTH vecka 5 HT07.
Väntevärden Bengt Ringnér September 0, 007 1 Inledning Detta är föreläsningsmanus på lantmätarprogrammet LTH vecka 5 HT07. Väntevärden Låt X vara en stokastisk variabel som representerar ett slumpmässigt
Läs merResultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.).
STOKASTISKA VARIABLER Resultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.). Definition 1. En reellvärd funktion definierad på ett utfallsrum Ω kallas en (endimensionell)
Läs merF9 Konfidensintervall
1/16 F9 Konfidensintervall Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 18/2 2013 2/16 Kursinformation och repetition Första inlämningsuppgiften rättas nu i veckan. För att
Läs merTMS136. Föreläsning 7
TMS136 Föreläsning 7 Stickprov När vi pysslar med statistik handlar det ofta om att baserat på stickprovsinformation göra utlåtanden om den population stickprovet är draget ifrån Situationen skulle kunna
Läs merTAMS65 - Föreläsning 1 Introduktion till Statistisk Teori och Repetition av Sannolikhetslära
TAMS65 - Föreläsning 1 Introduktion till Statistisk Teori och Repetition av Sannolikhetslära Martin Singull Matematisk statistik Matematiska institutionen TAMS65 - Mål Kursens övergripande mål är att ge
Läs merSannolikheten för att barnet skall få blodgrupp A0 A0 1/2 AA 1 AB 1/2 Övriga 0
Avd. Matematisk statistik TENTAMEN I SF191, SANNOLIKHETSTEORI OCH STATISTIK, ONSDAGEN DEN 1:A JUNI 216 KL 8. 13.. Kursledare: Thomas Önskog, 8-79 84 55 Tillåtna hjälpmedel: Formel- och tabellsamling i
Läs merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE301 Sannolikhet, statistik och risk 2017-08-15 kl. 8:30-13:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Olof Elias, telefon: 031-7725325 Hjälpmedel: Valfri
Läs merFöreläsning 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 merLärmål Sannolikhet, statistik och risk 2015
Lärmål Sannolikhet, statistik och risk 2015 Johan Jonasson Februari 2016 Följande begrepp och metoder ska behärskas väl, kunna förklaras och tillämpas. Direkta bevis av satser från kursen kommer inte på
Läs merMaclaurins och Taylors formler. Standardutvecklingar (fortsättning), entydighet, numerisk beräkning av vissa uttryck, beräkning
Maclaurins och Taylors formler Standardutvecklingar (fortsättning), entydighet, numerisk beräkning av vissa uttryck, beräkning av gränsvärden Standardutvecklingar Vid beräkningar där man inte behöver någon
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2017-08-22 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 9.00 14.00 Jourhavande lärare: Mykola
Läs merLaboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 4 MATEMATISK STATISTIK, AK FÖR I, FMS 120, HT-00 Laboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
Läs merMatematikcentrum 1(6) Matematisk Statistik Lunds Universitet MASB11 - Biostatistisk grundkurs VT2014, lp3. Laboration 2. Fördelningar och simulering
Matematikcentrum 1(6) Matematisk Statistik Lunds Universitet MASB11 - Biostatistisk grundkurs VT2014, lp3 Laboration 2 Fördelningar och simulering Introduktion 2014-02-06 Syftet med laborationen är dels
Läs merTAMS65 - Föreläsning 2 Parameterskattningar - olika metoder
TAMS65 - Föreläsning 2 Parameterskattningar - olika metoder Martin Singull Matematisk statistik Matematiska institutionen Innehåll Fö2 Punktskattningar Egenskaper Väntevärdesriktig Effektiv Konsistent
Läs merFACIT: Tentamen L9MA30, LGMA30
Göteborgs Universitetet GU Lärarprogrammet 06 FACIT: Matematik för lärare, åk 7-9, Sannolikhetslära och statistik, Matematik för gymnasielärare, Sannolikhetslära och statistik 07-0-04 kl..0-.0 Examinator
Läs merPROGRAMFÖRKLARING I. Statistik för modellval och prediktion. Ett exempel: vågriktning och våghöjd
Statistik för modellval och prediktion att beskriva, förklara och förutsäga Georg Lindgren PROGRAMFÖRKLARING I Matematisk statistik, Lunds universitet stik för modellval och prediktion p.1/4 Statistik
Läs mer