Antal ögon Vinst (kr) Detta leder till följande uttryck E(x) = x x p X(x) x f X(x)dx
|
|
- Ida Lundgren
- för 7 år sedan
- Visningar:
Transkript
1 8. Väntevärde Exempel. Banken ordnar ett tärningsspel där de spelande erlägger en insats på 5 kr/kast. Vinsten är beroende på hur många ögon tärningen visar: Antal ögon Vinst (kr) Hur går det i långa loppet för banken? Vilket är vinstens väntevärde. Eftersom tärningen är välgjord har varje elementarhändelse p = 6. Detta leder till följande uttryck E(x) = = Den utdelade vinsten efter varje kast är i långa loppet 5.5 kr. Eftersom banken endast får in 5 kr/kast blir vinsten.5 kr/kast. Vi råder banken att avsluta spelet. Definition. Väntevärdet för den SV X definieras av x x p X(x) E(X) = x f X(x)dx Exempel. Vid ett parkeringshus i staden betalas en fast avgift om kr vid varje parkeringstillfälle och dessutom en rörlig avgift på 5 kr/tim proportionell mot parkeringstidens längd. Den tid en kund har sin bil parkerad är en SV X med frekvensfunktionen f X (x) = e x. Låt Y vara den avgift kunden betalar. Beräkna E(Y). f Y (x) = + 5 e x dx Definitionen ger oss E(Y) = + 5 xe x,dx = 5 Det förväntade värdet en kund kommer att betala är 5 kr. Exempel 3. Parkeringshuset ändrade strategi genom att slopa den fasta avgiften och istället lät kunden betala kr/tim de första 3 timmarna och därefter fortsättningsvis 5 kr/tim. Tiden för parkeringen är som tidigare en SV med frekvensfunktionen f X (x) = e x. Låt Y vara den avgift kunden betalar. Beräkna E(Y). Håkan Strömberg KTH Syd
2 8.. VÄNTEVÄRDE Här måste vi dela upp E(Y) i två fall E(Y) = 3 xe x (x + 3)e x dx 97.5 Om detta inte kommer att leda till fler kunder är det en dåligt strategi i jämförelse med den tidigare! Exempel 4. I en affär kommer dagens första kund till X minuter efter öppningsdags. Man kan betrakta X som en SV med frekvensfunktionen f(x) X =.e.x Bestäm väntevärdet E(X) för när första kunden anländer. E(X) =.e.x dx = 5 Detta är alltså det aritmetiska medelvärdet av väntetiderna innan den första kunden anländer. För att bestämma medianen för X har vi att lösa ekvationen x.e.x dx = Lösningen x = 5ln 3.47 minuter betyder att det är lika vanligt att första kunden kommer före tiden 3.47 som efter Figur 8.: Frekvensfunktionen med väntevärde och median markerade Exempel 5. För att ge geometriska tolkningar av väntevärde och median för kontinuerliga SV, startar vi med { x x f X (x) = för övrigt Väntevärdet får vi genom Medianen genom att lösa ekvationen x x dx = 3 x.943 som ger x =. x dx = Håkan Strömberg KTH Syd
3 Figur 8.: Medianen delar triangelns area mitt itu. Väntevärdet anger den linje på vilken triangelns tyngdpunkt ligger Problem. Banken har numera övergått till ett annat spel... Insatsen är som förut 5 kr/spel. Spelaren får nu dra ett kort från en välblandad kortlek. Vad banken betalar ut beror på vilket kort man drar Kort Ess Kung Dam Knekt - Vinst (kr) 5 5? Bestäm utbetalningen för knekt för att spelet ska bli helt jämnt, det vill säga vinstens väntevärde är kr/spel. Exempel 6. Ett företag tillverkar glasspinnar som ska ha en viss längd, a cm, GB, som köper dessa pinnar tolererar pinnar i intervallet [a, a + ]. Vi antar här till att börja med a = 5, alltså pinnar i intervallet [4,6] cm är godkända. På godkänd pinne tjänar företaget öre. Är pinnen för kort, måste den kasseras med en förlust av 4 öre. För långa pinnar kan kapas, även om man då alltid lyckas att få till en godkänd pinne, blir vinsten, på grund av det extra arbetet, på den pinnen öre. En empirisk undersökning har visat att längden X hos en slumpmässigt vald pinne är en SV som approximativt har frekvensfunktionen f(x) = e x 5 < x < Hur mycket kommer företaget att tjäna på en slumpmässigt vald pinne? Om man tillverkar pinnar och det visar sig att n = 53 blev för korta n = 865 blev direkt godkända n 3 = 8 blev för långa kan man räkna ut att ( 4) =.653 vilket betyder att man i snitt tjänat.653 öre/pinne. Vi önskar i första hand ett C-program som kan simulera tillverkningen av ett antal pinnar. Frekvansfunktionen. Först studerar vi grafens utseende: Håkan Strömberg 3 KTH Syd
4 8.. VÄNTEVÄRDE Figur 8.3: en lite annorlunda frekensfunktion Vi tar reda på att f(x) = e x 5 int(exp(-*abs(x-a)),x=-infinity..infinity) Integralen är för godtyckliga värden a, då speciellt a = 5. I själva verket är det förstås, så att pinnarna inte kan bli <. Därför är f X (x) endast en approximativ frekvensfunktion (men den duger). f X (x) = e x 5 = e För att kunna simulera denna process krävs tillhörande slumptal, vars funktion vi får genom att invertera funktionen f(x) som vi får genom att lösa ekvationen solve(y=exp(-*abs(x-5)),x) Resultat x = 5 ± lny Från grafen ser vi att y <, därför låter vi datorn generera ett rektangulärt slumptal i intervallet [... ). Dessutom behöver vi ett slumptal, eller som avgör på vilken sida om x = 5 som gäller. Nu är vi klara för att skriva programmet: Håkan Strömberg 4 KTH Syd
5 double slump(void){ if(rand()%==) 3 return 5 log(rand()/((double)rand MAX+.))/.; 4 else 5 return 5+log(rand()/((double)RAND MAX+.))/.; 6 } 7 8 int main(void){ 9 double s; int i,tot=; srand(time()); for(i=;i<=;i++){ 3 s=slump(); 4 if(s<4) 5 tot =4; 6 else 7 if(s>=4 && s<=6) 8 tot++; 9 } printf("%8.3f\n",tot/.); } Kör vi detta program får vi ett svar runt.59. Kan vi lita på resultatet? Med följande tre integraler 4 ( 4)e x 5 dx + och vi har kommit fram till samma resultat på två sätt! 6 4 e x 5 dx + e x 5 dx Varians och standardavvikelse Definition. Låt X vara en diskret SV som antar värdena x,x,... och har väntevärdet E(X) = µ. Variansen för X definieras då Standaravvikelsen för X är V(X) = E((X µ) ) = n (x i µ) P(X = x i ) i= S(X) = V(X) Definition 3. Låt X vara en kontinuerlig SV med frekvensfunktionen f X (x) och väntevärdet E(X) = µ. Variansen för X definieras då Standaravvikelsen för X är Sats. V(X) = E((X µ) ) = S(X) = V(X) V(X) = E(X ) µ (x µ) f X (x)dx Håkan Strömberg 5 KTH Syd
6 8.. VÄNTEVÄRDE Exempel 7. Beräkna varians och standardavvikelse för SV X { f X (x) = 36x(6 x) x 6 för övrigt Lösning: Väntevärdet E(X) får vi genom 6 x x(6 x)dx = 3 36 Variansen blir då 6 (x 3) 36 x(6 x)dx = 9 5 Samma resultat hade vi kunnat få genom 6 x 36 x(6 x)dx 3 = 9 5 Problem. Bestäm konstanten C så att blir en frekvensfunktion f(x) = Cx för x 6 Problem 3. Bestäm alla reella tal a och b sådana att f(x) = a e x b e x för x Problem 4. Väntetiden X (enhet: minut) från öppningsdags till dess första kunden kommer in i en affär, är en SV med fördelningsfunktionen för { x < F X (x) = e.4x x Beräkna sannolikheten att första kunden dröjer a) högst 3 minuter b) minst 4 minuter c) mellan 3 och 4 minuter d) högst 3 eller minst 4 minuter e) precis.5 minuter. Problem 5. En person kastar en tärning och får beloppet krona om tärningen visar ett udda tal men beloppet om tärningen visar ett jämnt tal. Låt X beteckna hans vinst. Ange fördelningsfunktionen F X (x). Problem 6. En person kastar en tärning och håller på tills han för första gången får ett utfall som han fått förut. Låt X beteckna antalet kast han utför. Ange fördelningen för X. Håkan Strömberg 6 KTH Syd
7 Problem 7. En person singlar slant med ett välbalanserat mynt tills han har fått vart och ett av de två tänkbara utfallen minst två gånger. Beräkna f X (x) där X betecknar antalet utförda kast. Problem 8. Man kastar en välbalanserad tärning en gång. Därefter singlar man slant med ett välbalanserat mynt lika många gånger som antalet ögon tärningen visade. Antalet krona i dessa (ev detta) kast blir en SV X. Beräkna sannolikhetsfunktionen för X. För vilket värde på x är f X (x) maximal? Problem 9. En SV X har fördelningsfunktionen { x < F X (x) = x x Beräkna dess frekvensfunktion och median. Problem. Till ett sammanträde infinner sig X personer. Här är X en SV som antar värdena P(X = 5) =,P(X = 6) =,P(X = 7) =,P(X = 8) = 3 5 Varje person hälsar på varje annan. Ange fördelningen för Y = antalet hälsningar. Problem. En dators livslängd (i månader) antas vara exponentialfördelad med parametern a = 8. Vad är sannolikheten att den håller i minst månader? Om den är hel efter 4 månader, vad är då den betingade sannolikheten att den håller ytterligare månader? Problem. Tiden X i minuter att betjäna en kund i en affär antas vara exponentialfördelad f X (x) = λe λx med parameter λ =. Beräkna a) P(X > 5) b) P(X > ) c) P(X < 8) Problem 3. För livslängden X (i timmar) för en viss typ av elektronrör gäller X Exp(.). Man har 6 sådana rör, som kan antas fungera oberoende av varandra, i en apparat. Låt Y vara antalet rör som fungerar efter timmar. Beräkna a) P(X > ) b) P(Y = 3) c) P(Y > 3) Problem 4. På en gatstump av längden 3 m parkeras slumpmässigt en bil av längden 5 m. Vad är sannolikheten att ytterligare en bil av samma längd får plats? Håkan Strömberg 7 KTH Syd
8 8.. VÄNTEVÄRDE Problem 5. Den stokastiska variabeln X N(, ). Beräkna a) P(X < ) b) P(X < ) c) P(X > 3) d) P(X > ) e) P( < X < ) f) P(X = ) Para ihop uttrycken med graferna nedan Problem 6. Den stokastiska variabeln X N(,) Bestäm talet a så att a) P(X > a) =. b) P(X > a) =.999 c) P( X < a) =.95 d) P(X > a) =.5 Håkan Strömberg 8 KTH Syd
9 Problem 7. Den stokastiska variabeln X N(, ). Bestäm a) P(X < 3) b) P(X > 4) c) P(X <.5) Problem 8. En maskin producerar metalltappar vars diameter måste understiga.5 tum för att vara användbara i produktionen. En statistisk undersökning har visat att tapparnas diameter kan betraktas som N(.49,.5)-fördelad. a) Hur stor del av de tillverkade tapparna är användbara i produktionen? b) Tapparna förpackas i lådor om 5 stycken. Vad är det förväntade antalet användbara tappar per låda? c) Vad är standardavvikelsen för antalet användbara tappar per låda? Svar. Ekvationen ger svaret x =, vilket betyder insatsen tillbaka. Svar. Vi har att lösa ekvationen I Maple skriver vi x 36 ( 5) + = c x dx = solve(int(c*x^,x=..6)=,c) och får resultatet 7. Svar 3. Först och främst måste ae x b e x dx = sedan ska gälla att ae x b e x då x solve(int(a*exp(-x)-b*exp(-*x),x=..infinity)=, b) ger b = (a ). När vi vet det kan vi skriva om det andra uttrycket ae x (a )e x = e x ( + a(e x )) Håkan Strömberg 9 KTH Syd
10 8.. VÄNTEVÄRDE Svar 4. Svar 5. Svar 6. a) e. b) e.6 c) e. e.6 d) e. + e.6 e) x < F X (x) = x x x P(X = x) Så här tänker man: säg att tre kast har gjorts utan att dubblett uppkommit. Sannolikheten att de tre första kasten inte givit någon dubblett Nästa kast har 3 chanser på 6 att ge dubblett. P(X = 4) = P(X = 5) = Svar 7. Efter 3 kast kan man ha kastat någon av dessa 8 serier: {KKK},{KKG},{KGK},{GKK},{KGG},{GKG},{GGK},{GGG} Sannolikheten att man nu ska få två av varje efter nästa kast är = 3 8 Sannolikheten P(X = 4) = 3 8. Hur många gynnsamma fall finns det för P(X = 5)? Först måste man ta reda på hur många, fyra kast långa, serier det finns, där inte både K och G har dubblerats. Dels finns det en serie med 4 G och dels en med 4 K. Dessutom finns 4 serier med K och 3 G och 4 serier med G och 3 K, totalt. Av dessa kan 8 komma att avbryta kastserien, var och en med sannolikheten. P(X = 5) = = 4 Kan vi nu direkt ställa upp uttrycket för P(X = 6)? P(X = 6) = = 5 3 Håkan Strömberg KTH Syd
11 och för P(X = x)? P(X = x) = Svar 8. Binomialfördelningen ger P(X = x) = x + (x ) x = x x ( n x )( ) x ( ) n x = ( n x )( n, som är vad tärningen visar, kan anta värdena,... 6 alla med sannolikheten 6. Sannolikheten för krona är summan av 6 sannolikheter ( ( P(X = ) = ) ( ) ( ) ( ) ( ) ( ) 3 ( )( ) 4 ( ) ( ) 5 ( ) ( ) ) = På samma sätt kan vi nu räkna ut ( ( P(X = ) = ) ( ) ( ) ( ) ( 3 ) ( ) 3 + ( 4 )( ) 4 + ) n ( 5 ) ( ) 5 + ( 6 ) ( ) ) 6 = 8 Vi kan till slut skriva P(X = x) = 6 6 n= ( )( n x ) n x P(X = x) Svar 9. Med hjälp av Maple diff(-/x^,x); /x^3 int(/x^3,x =..infinity); Integreringen gör vi för att kontrollera att det vi fått verkligen är en frekvensfunktion. Vi ser ju direkt att f X (x) > då x Svar. Antalet hälsningar m då n personer träffas som i vårt fall ger m = n(n ) n m 5 8 P(Y = m) Håkan Strömberg KTH Syd
12 8.. VÄNTEVÄRDE Svar. Med Maple with(stats); -statevalf[cdf, exponential[/8, ]](); evalf(int((/8)*exp(-(/8)*x),x=..infinity)); Två möjligheter som är helt ekvivalenta. A = Att datorn håller i 4 månader. B = Att datorn håller i 4 månader. Eftersom P(A B) = P(A) P(A B) = P(A B) P(B) (-statevalf[cdf,exponential[/8, ]](4))/ (-statevalf[cdf,exponential[/8, ]](4)) Svar. Med Maple Alternativt int(.*exp(-.*x),x=5..infinity); int(.*exp(-.*x),x=..infinity); int(.*exp(-.*x),x=8..infinity); statevalf[cdf,exponential[., ]](5); statevalf[cdf,exponential[., ]](); statevalf[cdf,exponential[., ]](8); Svar 3. Med Maple int(.*exp(-.*x),x=..infinity); bin:=proc(n,p,x); return binomial(n,x)*p^x*(-p)^(n-x); end proc; evalf(bin(6,exp(-),3)); evalf(sum(bin(6,exp(-),x),x=..3)); Håkan Strömberg KTH Syd
13 När man bestämt P(X > ) = e använder man denna sannolikhet i Y som är binomialfördelad ( ) n P(Y = y) = e x ( e x ) n x y Svar 4. Genom figuren ser vi att den vänstra ändan av bilen måste hamna i intervallet Figur 8.4: [,8]. Om den hamnar i intervallet [,3] eller [5,8] finns det plats för en bil till. Svar 5. Med Maple P = (8 5) + (3 ) 8 =.75 n:=proc(m,s,x); return evalf(int(/(s*sqrt(*pi))*exp(-(t-m)^/(*s^)), t=-infinity..x)); end proc: eller n(,,); n(,,-); n(,,3); n(,,-); n(,,)-n(,,-); statevalf[cdf,normald[,]](); statevalf[cdf,normald[,]](-); statevalf[cdf,normald[,]](3); statevalf[cdf,normald[,]](-); statevalf[cdf,normald[,]]()-statevalf[cdf,normald[,]](-); Håkan Strömberg 3 KTH Syd
14 8.. VÄNTEVÄRDE Svar 6. Med Maple n:=proc(m,s,x); return evalf(int(/(s*sqrt(*pi))*exp(-(t-m)^/(*s^)), t=-infinity..x)); end proc: evalf(solve(n(,,x)=.999)); evalf(solve(n(,,x)=.)); evalf(solve(n(,,x)-n(,,-x)=.95)); evalf(solve(n(,,x)=.95)); Svar 7. Med samma funktion som ovan n(,,3); n(,,4);.6687 n(,,-.5); Svar 8. Maple ger oss svaret n(.49,.5,.5); bin:=proc(n,p,x); return binomial(n,x)*p^x*(-p)^(n-x); end proc; sum(x*bin(5,.9775,x),x=..5); sqrt(sum((x )^*bin(5,.9775,x),x=..5)); Håkan Strömberg 4 KTH Syd
19.1 Funktioner av stokastiska variabler
9. Funktioner av stokastiska variabler 9.. Oberoende stokastiska variabler Som vi minns innebär P(A B) = P(A) P(B) att händelserna A och B är oberoende. Låt A vara händelsen att X < x och B vara händelsen
Läs merDetta formelblad får användas under både KS2T och KS2D, samt ordinarie tentamen. x = 1 n. x i. with(stats): describe[mean]([3,5]); 4.
Formelblad Detta formelblad får användas under både KST och KSD, samt ordinarie tentamen. Medelvärde x = 1 n x i with(stats): describe[mean]([3,5]); 4 Varians s = 1 (x i x) n 1 ( s = 1 x i n 1 1 n ) x
Läs merKap 2. Sannolikhetsteorins grunder
Kap 2. Sannolikhetsteorins grunder Olika händelser och deras mängbetäckningar Sats 2.7 Dragning utan återläggning av k element ur n (utan hänsyn till ordning) kan ske på ( n ) olika sätt k För två händelser
Läs mer17.1 Kontinuerliga fördelningar
7. Kontinuerliga fördelningar En SV X är kontinuerlig om F X (x) är kontinuerlig för alla x F X (x) är deriverbar med kontinuerlig derivata för alla x utom eventuellt för ändligt många värden Som vi tidigare
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 merVäntevärde och varians
TNG6 F5 19-4-216 Väntevärde och varians Exempel 5.1. En grupp teknologer vid ITN slår sig ihop för att starta ett företag som utvecklar datorspel. Man vet att det är 8% chans för ett felfritt spel som
Läs 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 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 merFöreläsning 5, FMSF45 Summor och väntevärden
Föreläsning 5, FMSF45 Summor och väntevärden Stas Volkov 2017-09-19 Stanislav Volkov s.volkov@maths.lth.se FMSFF45 F5: väntevärden 1/18 2D stokastisk variabel Tvådimensionella stokastisk variabel (X, Y)
Läs merMatematisk statistik 9hp Föreläsning 5: Summor och väntevärden
Matematisk statistik 9hp Föreläsning 5: Summor och väntevärden Anna Lindgren 20+21 september 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F5: väntevärden 1/18 2D stokastisk variabel Tvådim. stokastisk
Läs merSF1901: Sannolikhetslära och statistik. Väntevärde; Väntevärde för funktioner av s.v:er; Varians; Tjebysjovs olikhet. Jan Grandell & Timo Koski
SF1901: Sannolikhetslära och statistik Föreläsning 5. Väntevärde; Väntevärde för funktioner av s.v:er; Varians; Tjebysjovs olikhet. Jan Grandell & Timo Koski 28.01.2015 Jan Grandell & Timo Koski () Matematisk
Läs 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 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 merMatematisk statistik för D, I, Π och Fysiker
max/min Matematisk statistik för D, I, Π och Fysiker Föreläsning 5 Johan Lindström 25 september 218 Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 1/25 max/min Johan Lindström - johanl@maths.lth.se
Läs 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 merFöreläsning 5, Matematisk statistik Π + E
Repetition Summor max/min Väntevärde Varians Föreläsning 5, Matematisk statistik Π + E Sören Vang Andersen 25 november 2014 Sören Vang Andersen - sva@maths.lth.se FMS012 F5 1/16 Repetition Summor max/min
Läs merFöreläsning 2 (kap 3): Diskreta stokastiska variabler
Föreläsning 2 (kap 3): Diskreta stokastiska variabler Marina Axelson-Fisk 20 april, 2016 Idag: Diskreta stokastiska (random) variabler Frekvensfunktion och fördelningsfunktion Väntevärde Varians Några
Läs merStatistik 1 för biologer, logopeder och psykologer
Innehåll 1 Grunderna i sannolikhetslära 2 Innehåll 1 Grunderna i sannolikhetslära 2 Satistik och sannolikhetslära Statistik handlar om att utvinna information från data. I praktiken inhehåller de data
Läs merÖvning 1. Vad du ska kunna efter denna övning. Problem, nivå A
Övning 1 Vad du ska kunna efter denna övning Redogöra för begreppen diskret och kontinuerlig stokastisk variabel. Definiera fördelningsfunktionen för en stokastisk variabel. Definiera frekvensfunktionen
Läs merGrundläggande matematisk statistik
Grundläggande matematisk statistik Väntevärde, varians, standardavvikelse, kvantiler Uwe Menzel, 28 uwe.menzel@slu.se; uwe.menzel@matstat.de www.matstat.de Väntevärdet X : diskret eller kontinuerlig slumpvariable
Läs 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 merFinansiell Statistik (GN, 7,5 hp,, VT 2009) Föreläsning 2. Diskreta Sannolikhetsfördelningar. (LLL Kap 6) Stokastisk Variabel
Finansiell Statistik (GN, 7,5 hp,, VT 009) Föreläsning Diskreta (LLL Kap 6) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics (Basic-level course, 7,5 ECTS,
Läs 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 mer4.2.1 Binomialfördelning
Ex. Kasta en tärning. 1. Vad är sannolikheten att få en 6:a? 2. Vad är sannolikheten att inte få en 6:a? 3. Vad är sannolikheten att få en 5:a eller 6:a? 4. Om vi kastar två gånger, vad är då sannolikheten
Läs 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 merSF1901: Övningshäfte
SF1901: Övningshäfte 24 september 2013 Uppgifterna under rubriken Övning kommer att gås igenom under övningstillfällena. Uppgifterna under rubriken Hemtal är starkt rekommenderade och motsvarar nivån på
Läs merStokastiska signaler. Mediesignaler
Stokastiska signaler Mediesignaler Stokastiska variabler En slumpvariabel är en funktion eller en regel som tilldelar ett nummer till varje resultatet av ett experiment Symbol som representerar resultatet
Läs merTentamen i matematisk statistik (9MA241/9MA341, STN2) kl 08-12
LINKÖPINGS UNIVERSITET MAI Johan Thim Tentamen i matematisk statistik (9MA21/9MA31, STN2) 212-8-2 kl 8-12 Hjälpmedel är: miniräknare med tömda minnen och formelbladet bifogat. Varje uppgift är värd 6 poäng.
Läs merSF1901: SANNOLIKHETSTEORI OCH KONTINUERLIGA STOKASTISKA VARIABLER STATISTIK. Tatjana Pavlenko. 7 september 2016
SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 4 KONTINUERLIGA STOKASTISKA VARIABLER Tatjana Pavlenko 7 september 2016 PLAN FÖR DAGENS FÖRELÄSNING Repetition av diskreta stokastiska variabler. Väntevärde
Läs merResultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.).
STOKASTISKA VARIABLER Resultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.). Definition 1. En reellvärld funktion definierad på ett utfallsrum Ω kallas en (endimensionell)
Läs merSF1901: Sannolikhetslära och statistik
SF1901: Sannolikhetslära och statistik Föreläsning 4. Väntevärde och varians, funktioner av s.v:er, flera stokastiska variabler. Jan Grandell & Timo Koski 10.09.2008 Jan Grandell & Timo Koski () Matematisk
Läs merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 3 4 november 2016 1 / 28 Idag Förra gången Stokastiska variabler (Kap. 3.2) Diskret stokastisk variabel (Kap. 3.3 3.4) Kontinuerlig stokastisk
Läs merBIOSTATISTISK GRUNDKURS, MASB11, VT-16, VT2 ÖVNING 3, OCH INFÖR ÖVNING 4
LUNDS UNIVERSITET, MATEMATIKCENTRUM, MATEMATISK STATISTIK BIOSTATISTISK GRUNDKURS, MASB11, VT-16, VT2 ÖVNING 3, 216-4-6 OCH INFÖR ÖVNING 4 Övningens mål: Du ska förstå begreppet slumpvariabel och skilja
Läs merSF1901: Sannolikhetslära och statistik
SF9: Sannolikhetslära och statistik Föreläsning 3. Stokastiska variabler, diskreta och kontinuerliga Jan Grandell & Timo Koski 8.9.28 Jan Grandell & Timo Koski () Matematisk statistik 8.9.28 / 45 Stokastiska
Läs mer20.1 Intervallskattning
0. Intervallskattning En intervallskattning för en parameter är ett intervall med stokastiska variabler som gränser. Konfidensgraden för intervallskattningen är sannolikheten att intervallet skall innehålla
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 mer4.1 Grundläggande sannolikhetslära
4.1 Grundläggande sannolikhetslära När osäkerhet förekommer kan man aldrig uttala sig tvärsäkert. Istället använder vi sannolikheter, väntevärden, standardavvikelser osv. Sannolikhet är ett tal mellan
Läs merStatistiska metoder för säkerhetsanalys
F3: Slumpvariaber och fördelningar Diskret Kontinuerlig Slumpvariabler Slumpvariabler = stokastiska variabler = random variables = s.v. Heter ofta X, Y, T. Diskreta kan anta ändligt eller uppräkneligt
Läs merTentamen. Matematik 2 Kurskod HF1003. Skrivtid 8:15-12:15. Fredagen 13 mars Tentamen består av 3 sidor. Maple samt allt tryckt material
Tentamen Matematik 2 Kurskod HF1003 Skrivtid 8:15-12:15 Fredagen 13 mars 2009 Tentamen består av 3 sidor Maple samt allt tryckt material Korrekt löst uppgift ger 2 poäng. För godkänt krävs 16 poäng. Varje
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 merFördelningsfunktionen för en kontinuerlig stokastisk variabel. Täthetsfunktionen för en kontinuerlig och en diskret stokastisk variabel.
Övning 1 Vad du ska kunna efter denna övning Diskret och kontinuerlig stokastisk variabel. Fördelningsfunktionen för en kontinuerlig stokastisk variabel. Täthetsfunktionen för en kontinuerlig och en diskret
Läs merVeckoblad 3. Kapitel 3 i Matematisk statistik, Blomqvist U.
Veckoblad 3 Kapitel 3 i Matematisk statistik, Blomqvist U. ya begrepp: likformig fördelning, hypergeometerisk fördelning, Hyp(, n, p), binomialfördelningen, Bin(n, p), och Poissonfördelningen, Po(λ). Standardfördelningarna
Läs merÖvning 1(a) Vad du ska kunna efter denna övning. Problem, nivå A. Redogöra för begreppen diskret och kontinuerlig stokastisk variabel.
Övning 1(a) Vad du ska kunna efter denna övning Redogöra för begreppen diskret och kontinuerlig stokastisk variabel. Definiera fördelningsfunktionen för en stokastisk variabel. Definiera frekvensfunktionen
Läs merKap 3: Diskreta fördelningar
Kap 3: Diskreta fördelningar Sannolikhetsfördelningar Slumpvariabler Fördelningsfunktion Diskreta fördelningar Likformiga fördelningen Binomialfördelningen Hypergeometriska fördelningen Poisson fördelningen
Läs merStokastiska processer och simulering I 24 maj
STOCKHOLMS UNIVERSITET LÖSNINGAR MATEMATISKA INSTITUTIONEN Stokastiska processer och simulering I Avd. Matematisk statistik 24 maj 2016 Lösningar Stokastiska processer och simulering I 24 maj 2016 9 14
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 merSF1922/SF1923: SANNOLIKHETSTEORI OCH DISKRETA STOKASTISKA VARIABLER STATISTIK. Tatjana Pavlenko. 23 mars, 2018
SF1922/SF1923: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 3 DISKRETA STOKASTISKA VARIABLER Tatjana Pavlenko 23 mars, 2018 PLAN FÖR DAGENSFÖRELÄSNING Repetition av betingade sannolikheter, användbara satser
Läs merVidare får vi S 10 = 8,0 10 4 = 76, Och då är 76
Ellips Sannolikhet och statistik lösningar till övningsprov sid. 38 Övningsprov.. i) P(:a äss och :a äss och 3:e äss och 4:e äss ) P(:a äss) P(:a äss :a äss) P(3:e äss :a och :a äss) antal P(4:a äss :a
Läs merLINKÖPINGS UNIVERSITET EXAM TAMS 79 / TEN 1
LINKÖPINGS UNIVERSITET Matematiska institutionen EXAM TAMS 79 / TEN 1 augusti 14, klockan 8.00-12.00 Examinator: Jörg-Uwe Löbus Tel: 28-1474) Tillåtna hjälpmedel är en räknare, formelsamling i matematisk
Läs merStorräkneövning: Sannolikhetslära
UPPSALA UNIVERSITET Matematiska institutionen Jakob Björnberg Sannolikhet och statistik 2012 09 28 Storräkneövning: Sannolikhetslära 1. (Tentamen, april 2009.) Man har efter studier av beredskapen hos
Läs 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 mer4. Stokastiska variabler
4. Stokastiska variabler En stokastisk variabel (s.v.) är en funktion som definieras i utfallsrummet. Varje stokastisk variabel har en viss sannolikhetsstruktur. Ex: Man kastar två tärningar. Låt X = summan
Läs merTentamen TEN1, HF1012, 29 maj Matematisk statistik Kurskod HF1012 Skrivtid: 14:00-18:00 Lärare och examinator : Armin Halilovic
Tentamen TEN, HF, 9 maj 9 Matematisk statistik Kurskod HF Skrivtid: 4:-8: Lärare och examinator : Armin Halilovic Hjälmedel: Bifogat formelhäfte ("Formler och tabeller i statistik ") och miniräknare av
Läs merFinansiell Statistik (GN, 7,5 hp, HT 2008) Föreläsning 2
Finansiell Statistik (GN, 7,5 hp, HT 008) Föreläsning Diskreta sannolikhetsfördelningar (LLL kap. 6) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics (Basic-level
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 mer13.1 Matematisk statistik
13.1 Matematisk statistik 13.1.1 Grundläggande begrepp I den här föreläsningen kommer vi att definiera och exemplifiera ett antal begrepp som sedan kommer att följa oss genom hela kursen. Det är därför
Läs mer(a) på hur många sätt kan man permutera ordet OSANNOLIK? (b) hur många unika 3-bokstavskombinationer kan man bilda av OSANNO-
Tentamenskrivning för TMS6, Matematisk Statistik. Onsdag fm den 1 maj, 217. Examinator: Marina Axelson-Fisk. Tel: 1-7724996 Tillåtna hjälpmedel: typgodkänd miniräknare, tabell- och formelhäfte (bifogas).
Läs mer1.1 Diskret (Sannolikhets-)fördelning
Föreläsning III. Diskret (Sannolikhets-)fördelning Med diskret menas i matematik, att något antar ett ändligt antal värden eller uppräkneligt oändligt med värden e.vis {, 2, 3,...}. Med fördelning menas
Läs merFINGERÖVNINGAR I SANNOLIKHETSTEORI MATEMATISK STATISTIK AK FÖR I. Oktober Matematikcentrum Matematisk statistik
FINGERÖVNINGAR I SANNOLIKHETSTEORI MATEMATISK STATISTIK AK FÖR I Oktober Matematikcentrum Matematisk statistik CENTRUM SCIENTIARUM MATHEMATICARUM LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK
Läs merKapitel 5 Multivariata sannolikhetsfördelningar
Sannolikhetslära och inferens II Kapitel 5 Multivariata sannolikhetsfördelningar 1 Multivariata sannolikhetsfördelningar En slumpvariabel som, när slumpförsöket utförs, antar exakt ett värde sägs vara
Läs merTvå parametrar: µ (väntevärdet) och σ (standardavvikelsen) µ bestämmer normalfördelningens läge
Lunds tekniska högskola Matematikcentrum Matematisk statistik Matematisk statistik AK för ekosystemteknik, FMSF75 OH-bilder 28-9-3 Normalfördelningen, X N(µ, σ) f(x) = e (x µ)2 2σ 2, < x < 2π σ.4 N(2,).35.3.25.2.5..5
Läs merTENTAMEN I STATISTIKENS GRUNDER 1
STOCKHOLMS UNIVERSITET Statistiska institutionen Michael Carlson HT2012 TENTAMEN I STATISTIKENS GRUNDER 1 2012-10-03 Skrivtid: kl 9.00-14.00 Godkända hjälpmedel: Miniräknare, språklexikon Bifogade hjälpmedel:
Läs 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 merFöreläsning 3. Sannolikhetsfördelningar
Föreläsning 3. Sannolikhetsfördelningar Jesper Rydén Matematiska institutionen, Uppsala universitet jesper.ryden@math.uu.se 1MS008, 1MS777 vt 2016 Slumpvariabel? Resultatet av ett slumpmässigt försök utgörs
Läs merMer om slumpvariabler
1/20 Mer om slumpvariabler Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 4/2 2013 2/20 Dagens föreläsning Diskreta slumpvariabler Vilket kretskort ska man välja? Väntevärde
Läs 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 merExempel för diskreta och kontinuerliga stokastiska variabler
Stokastisk variabel ( slumpvariabel) Sannolikhet och statistik Stokastiska variabler HT 2008 Uwe.Menzel@math.uu.se http://www.math.uu.se/ uwe/ Stokastisk variabel, slumpvariabel (s.v.): Funktion: Resultat
Läs 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 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 merTentamen i matematisk statistik (9MA241/9MA341, STN2) kl 14 18
LINKÖPINGS UNIVERSITET MAI Johan Thim Tentamen i matematisk statistik (9MA241/9MA341, STN2) 213-1-11 kl 14 18 Hjälpmedel är: miniräknare med tömda minnen och formelbladet bifogat. Varje uppgift är värd
Läs mer1 Föreläsning V; Kontinuerlig förd.
Föreläsning V; Kontinuerlig förd. Ufallsrummet har hittills varit dsikret, den stokastisk variabeln har endast kunnat anta ett antal värden. Ex.vis Poissonfördeln. är antal observationer inom ett tidsintervall
Läs merSF1901: Sannolikhetslära och statistik
SF1901: Sannolikhetslära och statistik Föreläsning 5. Kovarians, korrelation, väntevärde och varians för summor av s.v.:er, normalfördelning (del 1) Jan Grandell & Timo Koski 15.09.2008 Jan Grandell &
Läs 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 merSF1901: Övningshäfte
SF1901: Övningshäfte 5 september 2013 Uppgifterna under rubriken Övning kommer att gås igenom under övningstillfällena. Uppgifterna under rubriken Hemtal är starkt rekommenderade och motsvarar nivån på
Läs merCentrala gränsvärdessatsen (CGS). Approximationer
TNG006 F7 25-04-2016 Centrala gränsvärdessatsen (CGS. Approximationer 7.1. Centrala gränsvärdessatsen Vi formulerade i Sats 6.10 i FÖ6 en vitig egensap hos normalfördelningen som säger att en linjär ombination
Läs 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: Sannolikhetslära och statistik. Flera stokastiska variabler.
SF1901: Sannolikhetslära och statistik Föreläsning 5. Flera stokastiska variabler. Jan Grandell & Timo Koski 31.01.2012 Jan Grandell & Timo Koski () Matematisk statistik 31.01.2012 1 / 30 Flerdimensionella
Läs merhistogram över 1000 observerade väntetider minuter 0.06 f(x) täthetsfkn x väntetid
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF55: Matematisk statistik för C och M OH-bilder på föreläsning 4, 28-3-27 EXEMPEL: buss. Från en busshållplats avgår en buss var 2 min (inga
Läs mer1. Du slår en tärning två gånger. Låt A vara händelsen att det första kastet blir en sexa och låt B vara händelsen att summan av kasten blir sju.
Projekt MVE49 Del 1 Det är tillåtet att sammarbeta, men alla lösningar skall lämnas in individuellt. Sista inlämningsdag är 4de oktober på föreläsningen. Det är ok att lämna in elektroniskt genom att maila
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 merHur måttsätta osäkerheter?
Geotekniska osäkerheter och deras hantering Hur måttsätta osäkerheter? Lars Olsson Geostatistik AB 11-04-07 Hur måttsätta osäkerheter _LO 1 Sannolikheter Vi måste kunna sätta mått på osäkerheterna för
Läs merStokastiska Processer F2 Föreläsning 1: Repetition från grundkursen
Stokastiska Processer F2 Föreläsning 1: Repetition från grundkursen Denna föreläsning kommer mest att vara en repetition av stoff från grundkursen. Längden på detta dokument kan tyckas vara oproportionerligt
Läs merTMS136: Dataanalys och statistik Tentamen
TMS136: Dataanalys och statistik Tentamen 013-08-7 Examinator och jour: Mattias Sunden, tel. 0730 79 9 79 Hjälpmedel: Chalmersgodkänd räknare och formelsamling (formelsamling delas ut med tentan). Betygsgränser:
Läs merFÖRELÄSNING 3:
FÖRELÄSNING 3: 26-4-3 LÄRANDEMÅL Fördelningsfunktion Empirisk fördelningsfunktion Likformig fördelning Bernoullifördelning Binomialfördelning Varför alla dessa fördelningar? Samla in data Sammanställ data
Läs merUppgift 3: Den stokastiska variabeln ξ har frekvensfunktionen 0 10 f(x) =
Tentamen i Matematisk statistik för DAI och EI den 3 mars. Tid: kl 4. - 8. Hjälpmedel: Chalmersgodkänd ( typgodkänd ) räknedosa, Tabell- och formelsamling, Håkan Blomqvist, Matematisk statistik, Ulla Dahlbom,
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 merTentamen i Matematisk Statistik, 7.5 hp
Tentamen i Matematisk Statistik, 7.5 hp Distanskurs 15 januari, 2011 kl. 9.00 13.00 Maxpoäng: 30p. Betygsgränser: 12p: betyg G, 21p: betyg VG. Hjälpmedel: Miniräknare samt formelsamling som medföljer tentamenstexten.
Läs merRepetitionsföreläsning
Slumpförsök Repetitionsföreläsning Föreläsning 15 Sannolikhet och Statistik 5 hp Med händelser A B... avses delmängder av ett utfallsrum. Slumpförsök = utfallsrummet + ett sannolikhetsmått P. Fredrik Jonsson
Läs mer2 x dx = [ x ] 1 = 1 ( 1 (1 0.9) ) 100 = /
Föreläsning 5: Matstat AK för I, HT-8 MATEMATISK STATISTIK AK FÖR I HT-8 FÖRELÄSNING 5: KAPITEL 4.6 7: SUMMOR, MAXIMA OCH ANDRA FUNKTIONER AV S.V. KAPITEL 5. : VÄNTEVÄRDEN, LÄGES- OCH SPRIDNINGSMÅTT EXEMPEL
Läs merAvd. Matematisk statistik
Avd. Matematisk statistik TENTAMEN I SF194 SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAG 1 AUGUSTI 019 KL 8.00 13.00. Examinator: Björn-Olof Skytt, 08-790 86 49. Tillåtna hjälpmedel: Formel- och tabellsamling
Läs merTentamen i TMA321 Matematisk Statistik, Chalmers Tekniska Högskola.
Tentamen i TMA321 Matematisk Statistik, Chalmers Tekniska Högskola. Tid: Måndagen den 2015-06-01, 8.30-12.30. Examinator och Jour: Olle Nerman, tel. 7723565, rum 3056, MV, Chalmers. Hjälpmedel: Valfri
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 meraug 2017 Kurskod HF1012 Halilovic internet. Betygsgränser: För (betyg Fx). Sida 1 av 13
Tentamen TEN, HF, aug 7 Matematisk statistik Kurskod HF Skrivtid: :-: Lärare och examinator : Armin Halilovic Hjälpmedel: Bifogat formelhäfte ("Formler och tabeller i statistik ") och miniräknare av vilken
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 merMatematisk statistik 9hp Föreläsning 2: Slumpvariabel
Matematisk statistik 9hp Föreläsning 2: Slumpvariabel Anna Lindgren 6+7 september 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F2: Slumpvariabel 1/23 Begrepp Samband Grundläggande begrepp Utfall
Läs 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 merLINKÖPINGS UNIVERSITET EXAM TAMS 27 / TEN 2
LINKÖPINGS UNIVERSITET Matematiska institutionen EXAM TAMS 27 / TEN 2 augusti 218, klockan 8.-12. Examinator: Jörg-Uwe Löbus (Tel: 79-62827) Tillåtna hjälpmedel är en räknare, formelsamling i matematisk
Läs merSummor av slumpvariabler
1/18 Summor av slumpvariabler Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 9/2 2011 2/18 Dagens föreläsning Parkeringsplatsproblemet Räkneregler för väntevärden Räkneregler
Läs mer