Experimentella metoder 2014, Räkneövning 4

Storlek: px
Starta visningen från sidan:

Download "Experimentella metoder 2014, Räkneövning 4"

Transkript

1 Experimentella metoder, Räkneövning Problem : På polisstationen i Slottshult är man missnöjd med att polisdistriktet utvidgats till att också omfatta grankommunen Järvsprånget Innan utvidningen hade man i genomsnitt en dag under veckan (måndag-fredag då man inte behövde göra någon utryckning, men nu krävs därutöver i genomsnitt en utryckning per dag till Järvsprånget Förutsätt att antalet utryckningar per dag kan beräknas genom poissonstatistik och bestäm sannolikheten för att dagen ska bli utryckningsfri med nuvarande arbetsbelastning (p Tentamensuppgift, -6- Problem : En storhet y antas bero av en variabel x enligt funktionssambandet y = Ax + B sin x Följande värden på y (med fel mättes upp: x y y,,7,,,3,,6,53,,8,59,,,37, Bestäm den bästa uppskattningen av parametrarna A och B Problem 3: För en minsta kvadratanpassning av en rät linje y = a + bx till N punkter (x i, y i, där felen i y-värdena är normalfördelade med standardavvikelser σ i, ges lösningen för b av b = ( w( wxy ( wx( wy Här är = ( w ( wx ( wx och w i = Använd matrisekvationen för en allmän linjär minsta kvadratanpassning, A = (X T V X X T V Y, för att härleda motsvarande uttryck för b vid en anpassning av en rät linje genom origo (dvs utan konstantterm: y = bx Visa också hur du genom att använda viktat medelvärde kan få fram samma uttryck för b Tentamensuppgift, -5-7 Problem : Vid ett primitivt experiment för att bestämma tvärsnittet för en kärnreaktion (hur sannolik den är bestrålar man ett material genom att en kort stund föra in det i närheten av en väl kalibrerad strålkälla Ett antal kärnor av en välkänd isotop bildas då i materialet Medellivstiden för isotopen är 57, s Sedan tar man ut materialet och för in det i en räknare som kan räkna antalet sönderfall per fem sekunder Räknaren avläses (vilket är lite komplicerat, och startas på nytt På så sätt får man mätningar i fem olika femsekundersinterval olika tider efter att preparatet bestrålats, se tabell

2 intervall (s Antal sönderfall Tanken var att fortsätta att mäta för att ta fram bakgrundsnivån som råder då den radioaktiva isotopen sönderfallit till en försumbar nivå Olyckligtvis gick den primitiva räknaren sönder, och några mätningar av enbart bakgrund kan inte göras Istället får vi till ovanstående data anpassa en funktion på formen n(t = n exp( t/τ + n b, där n(t är räknehastigheten (antalet sönderfall per sekund vid tiden t efter aktiveringen, och τ = 57, s är medellivstiden De anpassade parametrarna är n (räknehastigheten vid t = och n b (bakgrundsräknehastigheten Genomför anpassningen, dvs bestäm n och n b med fel! Problem 5: Kalle på Flötskär är ute och fiskar Han hade hoppats få ihop tre abborrar, vilket är vad han behöver för att laga middag till sig själv Nu har han varit ute i en timme och inte fått en enda fisk Han kan stanna i en timme till, men undrar om det är mödan värt Kalle på Flötskär är inte statistiker, men han tycker det säger sig självt att poissonfördelningen är tillämplig på fisk Under antagandet att antalet fiskar som fångas under en timme är poissonfördelat på samma sätt oberoende av vad som fångats tidigare, vill han lura ut hur sannolikt det är att inte få någon fisk den första timmen, och sedan minst tre fiskar timmen därpå Vilket är det största möjliga värdet på denna sannolikhet? Tentamensuppgift, -5-7

3 Problem, lösning: Man har i genomsnitt en dag i veckan utan utryckning inom Slottshult Sannolikheten för att inte behöva rycka ut är alltså 5 = % Om vi antar poissonstatistik med medelvärdet µ S för antalet utryckningar per dag kan vi skriva sannolikheten för noll utryckningar som P ( µ S = e µ S Sätter vi denna sannolikhet till, får vi att ln, = µ S, µ S =,6 Detta är medelvärdet av antalet utryckningar per dag till Slottshult Nu tillkommer utryckningar til Järvsprånget med i medeltal µ J = per dag Det totala antalet utryckningar blir summan av två poissonfördelade variabler Den blir också poissonfördelad med µ = µ S +µ J =,6 Vi kan nu beräkna sannolikheten för en utryckningsfri dag till P ( µ = e,6 = 7% Vi kan undvika att beräkna µ S och µ och bara säga att sannolikheten för att ingen utryckning skall behövas till Järsvprånget är e µ J = e Sannolikheten för att dagen ska bli utryckningsfri både för Slottshult och Järsvprånget blir produkten av sannolikheterna, dvs, e Problem, lösning: För att använda minsta kvadratmetoden på matrisformen sätter vi upp matriserna Y =,7,3,53,59,37 och beräknar V = ( A B,,, = (X T V X X T V Y X =, sin(,, sin(,,6 sin(,6,8 sin(,8, sin(, Vi kan göra detta med matrishantering på en dator, eller också kan vi utföra följande beräkning Med σ y =, får vi X T V X = ( x x sin x σy x sin x sin x Vi har också att X T V Y = σ y ( yx y sin x så att (X T V X X T V Y = ( x x sin x x sin x sin x ( yx y sin x = ( sin x sin x ( x x sin x x sin x x sin x x ( yx y sin x = 3

4 med ( yx sin x x sin x y sin x x y sin x yx x sin x = x ( sin x x sin x Vi kan sätta upp en tabell med kolumner för yx, sin x, x sin x, y sin x och x, summera kolumnerna och beräkna A och B från summorna Detta ger A =,98 B = 3,98 (Det frågades inte efter felen i A och B Problem 3, lösning: Uppskattningen av b ges av matrisen A (en -matris, medan X = x y σ x, Y = y och V σ = Vi får de två x N y N σn -matriserna X T V X = i x i X T V Y = i x i y i σ i, och uttrycket för A, med σ i = w i, ger slutligen att uppskattningen för b blir b = wxy wx Vi kan också uppskatta b genom att beräkna b i = y i /x i för de olika punkterna och bilda ett viktat medelvärde Osäkerheten i b i blir σ bi = σ i /x i, och det viktade medelvärdet blir Insättning av b i = y i /x i och av en linje genom origo, vsb Problem, lösning: b wa = x i x i σ i b i = w i ger samma uttryck som för anpassningen Antalet sönderfall i de olika femsekundersintervallen är poissonfördelat Om n(t är sönderfallshastigheten vid tiden t kan vi approximera poissonmedelvärdet av antalet sönderfall i intervall nummer k, med mittpunkten t k, som N k = n(t k 5 s Det enklaste är att anpassa en funktion av tiden som beskriver poissonmedelvärdet av antalet pulser per fem sekunder: N k = N exp( t k /τ + N b

5 När vi väl bestämt N och N b kan vi dividera med 5 s för att få de efterfrågade n och n b i uttrycket för räknehastigheten Antalet räknade pulser i ett intervall kan vi betrakta som en uppskattning av poissonmedelvärdet N k Vi kan kalla antalet pulser för y k, och eftersom det är poissonfördelat uppskattar vi variansen som σk = y k (detta är anledningen till att det är enklare att räkna med antalet pulser än med räknehastigheten Eftersom modellen är linjär i parametrarna N och N b kan vi använda matrisvarianten av minsta kvadratmetoden De anpassade parametrarna blir ( N = (X T V X X T V Y = V N a X T V Y b Här är Y = V = 8, eftersom V är diagonal med mätningarnas varianser på diagonalen Matrisen X beskriver det linjära sambandet mellan parametrarna N och N b och funktionsvärdena N k, enligt Den blir alltså N N 5 X = = X ( N N b e (7,5 s/τ e (,5 s/τ e (6,5 s/τ e (9,5 s/τ e (7,5 s/τ, där τ = 57, s Variansmatrisen för de anpassade parametrarna ingår i uttrycket för parametrarna själva: V a = (X T V X Beräkningarna blir ganska enkla med Comsol, MATLAB eller octave Följande kod löser problemet: tau=57; Y = [ 56 8 ] ; Vinv = diag(/y; col = [ exp(-75/tau exp(-5/tau exp(-65/tau exp(-95/tau exp(-75/tau ] ; col = ones(5,; X = [ col col ]; Va = inv(x * Vinv * X; par = Va * X * Vinv * Y; nvalue = sprintf("n = %f +- %f",par(/5,sqrt(va(/5; nbvalue = sprintf("nb = %f +- %f",par(/5,sqrt(va(/5; disp(nvalue; disp(nbvalue; 5

6 Notera divisionen med fem för att vi ska få fram parametrarna för räknehastigheten uttryckt i enheten sönderfall per sekund Utskriften blir n = nb = och de anpassade värden är alltså n = ( ± 5 s n b = (,5 ±,8 s Problem 5, lösning: Sannolikheten att få ν fiskar under en timme om medeltalet per timme är µ µ µν ges av poissonfördelningen: P (ν = e ν! Sannolikheten att få noll är alltså P ( = e µ Sannolikheten att få tre eller fler beräknas enklast som P ( P ( P (, eftersom P (ν = Eftersom vi antar att antalet under den andra timmen är oberoende av antalet under den första blir sannolikheten att först få noll fiskar och sedan minst tre: p = [ P ( P ( P (]P ( = ( e µ µe µ µ e µ e µ Genom att beräkna p för olika µ, med allt finare steg mellan µ-värdena, eller på grafisk väg, finner vi att det största värde p kan anta är,5%, vilket svarar mot µ =,79 Alternativt kan vi derivera p med avseende på µ Det ger dp dµ = (e µ e µ + µe µ µe µ + µ e µ som efter förenkling kan skrivas dp dµ = ( + µ + µ e µ e µ e µ ( e µ µe µ µ Vi söker sedan det µ som ger derivatan noll, dvs uppfyller att µ = ln( + µ + µ e µ Återigen måste vi bestämma lösningen numeriskt Vi kan prova oss fram med olika µ-värden För µ =,7 är tex ln( + µ + µ =,7 och för µ =,8 får vi ln( + µ + µ =,798 Vi kan också välja ett startvärde (tex µ =,8 och sätta in det i logaritmuttrycket Vi får då ett nytt µ-värde som vi återigen kan sätta in i uttrycket, och så vidare Serien µ-värden konvergerar mot µ =,7933, vilket ger p =,53% e µ, 6

Experimentella metoder 2013, Räkneövning 3

Experimentella metoder 2013, Räkneövning 3 Experimentella metoder 2013, Räkneövning 3 Problem 1: Fem studenter mätte längden av ett rum, deras resultat blev 3,30 m, 2,90 m, 3,70 m, 3,50 m, och 3,10 m. Inga uppgifter om mätnoggrannheten är kända.

Läs mer

Experimentella metoder, FK3001. Datorövning: Finn ett samband

Experimentella metoder, FK3001. Datorövning: Finn ett samband Experimentella metoder, FK3001 Datorövning: Finn ett samband 1 Inledning Den här övningen går ut på att belysa hur man kan utnyttja dimensionsanalys tillsammans med mätningar för att bestämma fysikaliska

Läs mer

Del A: Begrepp och grundläggande förståelse

Del A: Begrepp och grundläggande förståelse STOCKHOLMS UNIVERSITET FYSIKUM KH/CW/SS Tentamensskrivning i Experimentella metoder, 1p, för kandidatprogrammet i fysik, /5 01, 9-14 Införda beteckningar skall förklaras och uppställda ekvationer motiveras

Läs mer

Del A Begrepp och grundläggande förståelse.

Del A Begrepp och grundläggande förståelse. STOCKHOLMS UNIVERSITET FYSIKUM Tentamensskrivning i Experimentella metoder, 1 hp, för kandidatprogrammet, år 1 Onsdagen den 18 juni 008 kl 9-15. S.H./K.H./K.J.-A./B.S. Införda beteckningar bör förklaras

Läs mer

Experimentella metoder 2014, Räkneövning 1

Experimentella metoder 2014, Räkneövning 1 Experimentella metoder 04, Räkneövning Problem : Tio mätningar av en resistans gav följande resultat: Mätning no. Resistans (Ω) Mätning no Resistans (Ω) 0.3 6 0.0 00.5 7 99.98 3 00.0 8 99.80 4 99.95 9

Läs mer

Lektionsanteckningar 11-12: Normalfördelningen

Lektionsanteckningar 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 mer

Del A: Begrepp och grundläggande förståelse

Del A: Begrepp och grundläggande förståelse STOCKHOLMS UNIVERSITET FYSIKUM K.H Tentamensskrivning i Experimentella metoder, 12p, för kandidatprogrammet i fysik, 9/6 2015, 9-14. Införda beteckningar skall förklaras och uppställda ekvationer motiveras.

Läs mer

Del A: Begrepp och grundläggande förståelse

Del A: Begrepp och grundläggande förståelse STOCKHOLMS UNIVERSITET FYSIKUM K.H./C.F./C.W. Tentamensskrivning i Experimentella metoder, 1p, för kandidatprogrammet i fysik, 18/6 013, 9-14. Införda beteckningar skall förklaras och uppställda ekvationer

Läs mer

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 3

Finansiell 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 mer

Finns det över huvud taget anledning att förvänta sig något speciellt? Finns det en generell fördelning som beskriver en mätning?

Finns 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 mer

STOCKHOLMS UNIVERSITET FYSIKUM

STOCKHOLMS UNIVERSITET FYSIKUM STOCKHOLMS UNIVERSITET FYSIKUM Tentamensskrivning i Fysikexperiment, 7,5 hp, för FK2002 Onsdagen den 15 december 2010 kl. 9-14. Skrivningen består av två delar A och B. Del A innehåller enkla frågor och

Läs mer

Lösningar till tentamensskrivning för kursen Linjära statistiska modeller. 14 januari

Lösningar till tentamensskrivning för kursen Linjära statistiska modeller. 14 januari STOCKHOLMS UNIVERSITET MATEMATISK STATISTIK Lösningar till tentamensskrivning för kursen Linjära statistiska modeller 14 januari 2010 9 14 Examinator: Anders Björkström, tel. 16 45 54, bjorks@math.su.se

Läs mer

F12 Regression. Måns Thulin. Uppsala universitet Statistik för ingenjörer 28/ /24

F12 Regression. Måns Thulin. Uppsala universitet Statistik för ingenjörer 28/ /24 1/24 F12 Regression Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 28/2 2013 2/24 Dagens föreläsning Linjära regressionsmodeller Stokastisk modell Linjeanpassning och skattningar

Läs mer

Laboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar

Laboration 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 mer

Övning 1. Vad du ska kunna efter denna övning. Problem, nivå A

Övning 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 mer

Kort om mätosäkerhet

Kort om mätosäkerhet Kort om mätosäkerhet Henrik Åkerstedt 14 oktober 2014 Introduktion När man gör en mätning, oavsett hur noggrann man är, så får man inte exakt rätt värde. Alla mätningar har en viss osäkerhet. Detta kan

Läs mer

4 Diskret stokastisk variabel

4 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 mer

Laboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar

Laboration 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 mer

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Övning 3 Vecka 4, 19 23.1.2015

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Övning 3 Vecka 4, 19 23.1.2015 MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Övning 3 Vecka 4, 19 23.1.2015 Gripenberg I1. Vi antar att antalet telefonsamtal som kommer till ett servicenummer under en tidsperiod med längden

Läs mer

Forskningsmetodik 2006 lektion 2

Forskningsmetodik 2006 lektion 2 Forskningsmetodik 6 lektion Per Olof Hulth hulth@physto.se Slumpmässiga och systematiska mätfel Man skiljer på två typer av fel (osäkerheter) vid mätningar:.slumpmässiga fel Positiva fel lika vanliga som

Läs mer

Föreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar

Föreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar Föreläsning 8, Matematisk statistik 7.5 hp för E Punktskattningar Stas Volkov Stanislav Volkov s.volkov@maths.lth.se FMSF20 F8: Statistikteori 1/20 Översikt Exempel Repetition Exempel Matematisk statistik

Läs mer

Approximation av funktioner

Approximation av funktioner Vetenskapliga beräkningar III 8 Kapitel Approximation av funktioner Vi skall nu övergå till att beskriva, hur man i praktiken numeriskt beräknar funktioner I allmänhet kan inte ens elementära funktioner

Läs mer

Övning 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. 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 mer

x f (x) dx 1/8. Kan likhet gälla i sistnämnda relation. (Torgny Lindvall.) f är en kontinuerlig funktion på 1 x sådan att lim a

x f (x) dx 1/8. Kan likhet gälla i sistnämnda relation. (Torgny Lindvall.) f är en kontinuerlig funktion på 1 x sådan att lim a Elementa Årgång 50, 967 Årgång 50, 967 Första häftet 2603. Låt ξ, ξ 2,..., ξ n vara stokastiska variabler med väntevärden E[ξ i ], i =, 2,..., n. Visa att E[max(ξ, ξ 2,..., ξ n )] max(e[ξ ], E[ξ 2 ],...,

Läs mer

1/31 REGRESSIONSANALYS. Statistiska institutionen, Stockholms universitet

1/31 REGRESSIONSANALYS. Statistiska institutionen, Stockholms universitet 1/31 REGRESSIONSANALYS F1 Linda Wänström Statistiska institutionen, Stockholms universitet 2/31 Kap 4: Introduktion till regressionsanalys. Introduktion Regressionsanalys är en statistisk teknik för att

Läs mer

Grundläggande matematisk statistik

Grundläggande 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 mer

Matematikcentrum 1(7) Matematisk Statistik Lunds Universitet Per-Erik Isberg. Laboration 1. Simulering

Matematikcentrum 1(7) Matematisk Statistik Lunds Universitet Per-Erik Isberg. Laboration 1. Simulering Matematikcentrum (7) Matematisk Statistik Lunds Universitet Per-Erik Isberg Laboration Simulering HT 006 Introduktion Syftet med laborationen är dels att vi skall bekanta oss med lite av de olika funktioner

Läs mer

Del I. Uppgift 1 För händelserna A och B gäller att P (A) = 1/4, P (B A) = 1/3 och P (B A ) = 1/2. Beräkna P (A B). Svar:...

Del I. Uppgift 1 För händelserna A och B gäller att P (A) = 1/4, P (B A) = 1/3 och P (B A ) = 1/2. Beräkna P (A B). Svar:... Avd. Matematisk statistik TENTAMEN I SF9/SF94/SF95/SF96 SANNOLIKHETSTEORI OCH STATISTIK, ONSDAGEN DEN 4:E OKTOBER 08 KL 8.00 3.00. Examinator för SF94/SF96: Tatjana Pavlenko, 08-790 84 66 Examinator för

Läs mer

Matematisk statistik 9hp Föreläsning 7: Normalfördelning

Matematisk 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 mer

Attila Szabo Niclas Larson Gunilla Viklund Mikael Marklund Daniel Dufåker. GeoGebraexempel

Attila Szabo Niclas Larson Gunilla Viklund Mikael Marklund Daniel Dufåker. GeoGebraexempel matematik Attila Szabo Niclas Larson Gunilla Viklund Mikael Marklund Daniel Dufåker 2c GeoGebraexempel Till läsaren I elevböckerna i serien Matematik Origo finns uppgifter där vi rekommenderar användning

Läs mer

TAMS79: Föreläsning 6. Normalfördelning

TAMS79: 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 mer

Del A Begrepp och grundläggande förståelse.

Del A Begrepp och grundläggande förståelse. STOCKHOLMS UIVERSITET FYSIKUM Tentamensskrivning i Experimentella metoder, 1 hp, för kandidatprogrammet, år 1 Fredagen den 9 maj 008 kl 9-15. S.H./K.H./K.J.-A./B.S. Införda beteckningar bör förklaras och

Läs mer

Konvergens för iterativa metoder

Konvergens 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 mer

Föreläsning 1. Repetition av sannolikhetsteori. Patrik Zetterberg. 6 december 2012

Föreläsning 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 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

Statistisk precision vid radioaktivitetsmätning och Aktivitetsbestämning ur uppmätt räknehastighet

Statistisk precision vid radioaktivitetsmätning och Aktivitetsbestämning ur uppmätt räknehastighet Institutionen för medicin och vård Avdelningen för radiofysik Hälsouniversitetet Statistisk precision vid radioaktivitetsmätning och Aktivitetsbestämning ur uppmätt räknehastighet Gudrun Alm Carlsson och

Läs mer

Våra vanligaste fördelningar

Våra vanligaste fördelningar Sida Våra vanligaste fördelningar Matematisk statistik för D3, VT Geometrisk fördelning X är geometriskt fördelad med parameter p, X Geo(p), om P (X = k) = ( p) k p P (X k) = ( p) k för k =,,... Beskriver

Läs mer

1.1 Diskret (Sannolikhets-)fördelning

1.1 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 mer

SVAR: Det är modell 1 som är rimlig för en avsvalningsprocess. Föremålets temperatur efter lång tid är 20 grader Celsius.

SVAR: Det är modell 1 som är rimlig för en avsvalningsprocess. Föremålets temperatur efter lång tid är 20 grader Celsius. Lösningsförslag till tentamensskrivning i SF633 Differentialekvationer I Onsdagen den maj 03, kl 0800-300 Hjälpmedel: BETA, Mathematics Handbook Redovisa lösningarna på ett sådant sätt att beräkningar

Läs mer

Envariabelanalys 5B1147 MATLAB-laboration Derivator

Envariabelanalys 5B1147 MATLAB-laboration Derivator Envariabelanalys 5B1147 MATLAB-laboration Derivator Sanna Eskelinen eskelinen.sanna@gmail.com Sonja Hiltunen sonya@gmail.com Handledare: Karim Dao Uppgift 15 Problem: Beräkna numeriskt derivatan till arctan

Läs mer

TMS136. Föreläsning 7

TMS136. 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 mer

Grundläggande matematisk statistik

Grundläggande matematisk statistik Grundläggande matematisk statistik Linjär Regression Uwe Menzel, 2018 uwe.menzel@slu.se; uwe.menzel@matstat.de www.matstat.de Linjär Regression y i y 5 y 3 mätvärden x i, y i y 1 x 1 x 2 x 3 x 4 x 6 x

Läs mer

Kapitel 4 Sannolikhetsfördelningar Sid Föreläsningsunderlagen är baserade på underlag skrivna av Karl Wahlin

Kapitel 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 mer

F8 Skattningar. Måns Thulin. Uppsala universitet Statistik för ingenjörer 14/ /17

F8 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 mer

Kap 2. Sannolikhetsteorins grunder

Kap 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 mer

Sannolikheten för att barnet skall få blodgrupp A0 A0 1/2 AA 1 AB 1/2 Övriga 0

Sannolikheten 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 mer

a = a a a a a a ± ± ± ±500

a = a a a a a a ± ± ± ±500 4.1 Felanalys Vill man hårddra det hela, kan man påstå att det inte finns några tal i den tillämpade matematiken, bara intervall. Man anger till exempel inte ett uppmätt värde till 134.78 meter utan att

Läs mer

7 Extremvärden med bivillkor, obegränsade områden

7 Extremvärden med bivillkor, obegränsade områden Nr 7, 1 mars -5, Amelia 7 Extremvärden med bivillkor, obegränsade områden Största och minsta värden handlar om en funktions värdemängd. Värdemängden ligger givetvis mellan det största och minsta värdet,

Läs mer

SF1905 Sannolikhetsteori och statistik: Lab 2 ht 2010

SF1905 Sannolikhetsteori och statistik: Lab 2 ht 2010 Avd. Matematisk statistik SF1905 Sannolikhetsteori och statistik: Lab 2 ht 2010 0 Allmänna anvisningar Arbeta med handledningen, och skriv rapport, i grupper om två eller tre personer. Närvaro vid laborationstiden

Läs mer

2 x dx = [ x ] 1 = 1 ( 1 (1 0.9) ) 100 = /

2 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 mer

Matematikcentrum 1(7) Matematisk Statistik Lunds Universitet MASB11 - Biostatistisk grundkurs HT2007. Laboration. Simulering

Matematikcentrum 1(7) Matematisk Statistik Lunds Universitet MASB11 - Biostatistisk grundkurs HT2007. Laboration. Simulering Matematikcentrum 1(7) Matematisk Statistik Lunds Universitet MASB11 - Biostatistisk grundkurs HT007 Laboration Simulering Grupp A: 007-11-1, 8.15-.00 Grupp B: 007-11-1, 13.15-15.00 Introduktion Syftet

Läs mer

1 Bakgrund DATORÖVNING 3 MATEMATISK STATISTIK FÖR E FMSF Något om Radon och Radonmätningar. 1.2 Statistisk modell

1 Bakgrund DATORÖVNING 3 MATEMATISK STATISTIK FÖR E FMSF Något om Radon och Radonmätningar. 1.2 Statistisk modell LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORÖVNING 3 MATEMATISK STATISTIK FÖR E FMSF20 Syfte: Syftet med dagens laborationen är att du skall: få förståelse för punkt- och intervallskattningar.

Läs mer

Härledning av Black-Littermans formel mha allmänna linjära modellen

Härledning 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 mer

1/23 REGRESSIONSANALYS. Statistiska institutionen, Stockholms universitet

1/23 REGRESSIONSANALYS. Statistiska institutionen, Stockholms universitet 1/23 REGRESSIONSANALYS F4 Linda Wänström Statistiska institutionen, Stockholms universitet 2/23 Multipel regressionsanalys Multipel regressionsanalys kan ses som en utvidgning av enkel linjär regressionsanalys.

Läs mer

För startpopulationer lika med de stationära lösningarna kommer populationerna att förbli konstant.

För startpopulationer lika med de stationära lösningarna kommer populationerna att förbli konstant. Lösningsförslag till tentamensskrivning i Differentialekvationer I, SF633(5B6) Tisdagen den 6 augusti, kl -9 Hjälpmedel: BETA, Mathematics Handbook Redovisa lösningarna på ett sådant sätt att beräkningar

Läs mer

Matematisk statistik 9 hp Föreläsning 6: Linjärkombinationer

Matematisk 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 mer

Lektion 7. Radioaktivt sönderfall Bakgrundsräkning Vad är en hypotes? χ 2 -test (chi-kvadrattest) Fysikexperiment, 7.

Lektion 7. Radioaktivt sönderfall Bakgrundsräkning Vad är en hypotes? χ 2 -test (chi-kvadrattest) Fysikexperiment, 7. Lektion 7 Radioaktivt sönderfall Bakgrundsräkning Vad är en hypotes? χ 2 -test (chi-kvadrattest) 2010-11-15 Fysikexperiment, 7.5 hp 1 1 Radioaktivt sönderfall För varje specifik isotop gäller att sannolikheten

Läs mer

Föreläsningsmanus i matematisk statistik för lantmätare, vecka 5 HT06

Föreläsningsmanus 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 mer

Föreläsning 8 för TNIU23 Integraler och statistik

Föreläsning 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 mer

Tentamen i TMA321 Matematisk Statistik, Chalmers Tekniska Högskola.

Tentamen 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 mer

TANA17 Matematiska beräkningar med MATLAB för M, DPU. Fredrik Berntsson, Linköpings Universitet. 26 november 2015 Sida 1 / 28

TANA17 Matematiska beräkningar med MATLAB för M, DPU. Fredrik Berntsson, Linköpings Universitet. 26 november 2015 Sida 1 / 28 TANA17 Matematiska beräkningar med MATLAB för M, DPU Fredrik Berntsson, Linköpings Universitet 26 november 2015 Sida 1 / 28 Föreläsning 6 Minsta kvadrat problem. Polynom. Interpolation. Rötter. Tillämpningar:

Läs mer

Kapitel 4: SAMBANDET MELLAN VARIABLER: REGRESSIONSLINJEN

Kapitel 4: SAMBANDET MELLAN VARIABLER: REGRESSIONSLINJEN Kapitel 4: SAMBANDET MELLAN VARIABLER: REGRESSIONSLINJEN Spridningsdiagrammen nedan representerar samma korrelationskoefficient, r = 0,8. 80 80 60 60 40 40 20 20 0 0 20 40 0 0 20 40 Det finns dock två

Läs mer

Föreläsning 5, FMSF45 Summor och väntevärden

Föreläsning 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 mer

Demonstration av laboration 2, SF1901

Demonstration 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 mer

Föreläsning 5, Matematisk statistik Π + E

Föreläsning 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 mer

Föreläsning 4: Konfidensintervall (forts.)

Föreläsning 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 mer

Inlämningsuppgift-VT lösningar

Inlämningsuppgift-VT lösningar Inlämningsuppgift-VT lösningar A 1. En van Oddset-spelare har under lång tid studerat hur många mål ett visst lag gör i ishockeymatcher och vet att sannolikheterna beskrivs av följande tabell: Mål 0 1

Läs mer

Hur måttsätta osäkerheter?

Hur 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 mer

Matematisk statistik 9hp Föreläsning 5: Summor och väntevärden

Matematisk 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 mer

Kovarians och kriging

Kovarians och kriging Kovarians och kriging Bengt Ringnér November 2, 2007 Inledning Detta är föreläsningsmanus på lantmätarprogrammet vid LTH. 2 Kovarianser Sedan tidigare har vi, för oberoende X och Y, att VX + Y ) = VX)

Läs mer

TMS136. Föreläsning 4

TMS136. Föreläsning 4 TMS136 Föreläsning 4 Kontinuerliga stokastiska variabler Kontinuerliga stokastiska variabler är stokastiska variabler som tar värden i intervall av den reella axeln Det kan handla om längder, temperaturer,

Läs mer

= = i K = 0, K =

= = i K = 0, K = ösningsförslag till tentamensskrivning i SF1633, Differentialekvationer I Tisdagen den 14 augusti 212, kl 14-19 Hjälpmedel: BETA, Mathematics Handbook Redovisa lösningarna på ett sådant sätt att beräkningar

Läs mer

Matematisk statistik 9 hp, HT-16 Föreläsning 10: Punktskattningar

Matematisk statistik 9 hp, HT-16 Föreläsning 10: Punktskattningar Matematisk statistik 9 hp, HT-16 Föreläsning 10: Punktskattningar Anna Lindgren (Stanislav Volkov) 31 oktober + 1 november 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F10: Punktskattning 1/18 Matematisk

Läs mer

Fördelningsfunktionen för en kontinuerlig stokastisk variabel. Täthetsfunktionen för en kontinuerlig och en diskret stokastisk variabel.

Fördelningsfunktionen 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 mer

1. Mätning av gammaspektra

1. Mätning av gammaspektra 1. Mätning av gammaspektra 1.1 Laborationens syfte Att undersöka några egenskaper hos en NaI-detektor. Att bestämma energin för okänd gammastrålning. Att bestämma den isotop som ger upphov till gammastrålningen.

Läs mer

Matematik 3c Kap 2 Förändringshastighet och derivator

Matematik 3c Kap 2 Förändringshastighet och derivator Matematik 3c Kap 2 Förändringshastighet och derivator Inledning Konkretisering av ämnesplan (länk) http://www.ioprog.se/public_html/ämnesplan_matematik/struktur_äm nesplan_matematik/struktur_ämnesplan_matematik.html

Läs mer

SF1911: Statistik för bioteknik

SF1911: 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 mer

SF1901 Sannolikhetsteori och statistik I

SF1901 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 mer

SF1669 Matematisk och numerisk analys II Lösningsförslag till tentamen DEL A

SF1669 Matematisk och numerisk analys II Lösningsförslag till tentamen DEL A SF1669 Matematisk och numerisk analys II Lösningsförslag till tentamen 16-8-18 DEL A 1. Låt D vara det område ovanför x-axeln i xy-planet som begränsas av cirkeln x + y = 1 samt linjerna y = x och y =

Läs mer

Lösningar och kommentarer till uppgifter i 2.2

Lösningar och kommentarer till uppgifter i 2.2 Lösningar och kommentarer till uppgifter i 2.2 2202 Beräkna Detta ger f(3 + h) f(3) då f(x) x 2 (3 + h) 2 3 2 h 2 + 6h 6 + h 6 h 0 Vi har därmed bestämt riktningskoefficienten (k-värdet) för tangenten

Läs mer

SF1922/SF1923: SANNOLIKHETSTEORI OCH INTERVALLSKATTNING. STATISTIK. Tatjana Pavlenko. 24 april 2018

SF1922/SF1923: SANNOLIKHETSTEORI OCH INTERVALLSKATTNING. STATISTIK. Tatjana Pavlenko. 24 april 2018 SF1922/SF1923: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 11 INTERVALLSKATTNING. Tatjana Pavlenko 24 april 2018 PLAN FÖR DAGENS FÖRELÄSNING Vad är en intervallskattning? (rep.) Den allmänna metoden för

Läs mer

TENTAMEN I MATEMATISK STATISTIK

TENTAMEN I MATEMATISK STATISTIK UMEÅ UNIVERSITET Institutionen för matematisk statistik Statistik för Teknologer, 5 poäng MSTA33 Ingrid Svensson TENTAMEN 2004-01-13 TENTAMEN I MATEMATISK STATISTIK Statistik för Teknologer, 5 poäng Tillåtna

Läs mer

MVE051/MSG Föreläsning 7

MVE051/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 mer

Prediktera. Statistik för modellval och prediktion. Trend? - Syrehalt beroende på kovariater. Sambands- och trendanalys

Prediktera. Statistik för modellval och prediktion. Trend? - Syrehalt beroende på kovariater. Sambands- och trendanalys Statistik för modellval och prediktion att beskriva, förklara och förutsäga Georg Lindgren Prediktera Matematisk statistik, Lunds universitet stik för modellval och prediktion p.1/28 Statistik för modellval

Läs mer

i medelvärdet

i medelvärdet 1. Medelvärde, standardavvikelse och felet i medelvärdet Antag att vi har N mätningar x 1,x,...,x N av en och samma storhet x. Under antagandet att alla avvikelser från medelvärdet är statistiska och små

Läs mer

Kunna definiera laplacetransformen för en kontinuerlig stokastisk variabel. Kunna definiera z-transformen för en diskret stokastisk variabel.

Kunna definiera laplacetransformen för en kontinuerlig stokastisk variabel. Kunna definiera z-transformen för en diskret stokastisk variabel. Övning 2 Vad du ska kunna efter denna övning Kunna definiera laplacetransformen för en kontinuerlig stokastisk variabel. Kunna definiera z-transformen för en diskret stokastisk variabel. Kunna beräkna

Läs mer

Föreläsning 5. Funktioner av slumpvariabler. Ett centralt resultat.

Föreläsning 5. Funktioner av slumpvariabler. Ett centralt resultat. Föreläsning 5. Funktioner av slumpvariabler. Ett centralt resultat. Jesper Rydén Matematiska institutionen, Uppsala universitet jesper.ryden@math.uu.se 1MS008, 1MS777 vt 2016 Ytterligare begrepp Viktiga

Läs mer

LÖSNINGAR TILL. Matematisk statistik, Tentamen: kl FMS 086, Matematisk statistik för K och B, 7.5 hp

LÖSNINGAR TILL. Matematisk statistik, Tentamen: kl FMS 086, Matematisk statistik för K och B, 7.5 hp LÖSNINGAR TILL Matematisk statistik, Tentamen: 011 10 1 kl 14 00 19 00 Matematikcentrum FMS 086, Matematisk statistik för K och B, 7.5 hp Lunds tekniska högskola MASB0, Matematisk statistik kemister, 7.5

Läs mer

STATISTISK ANALYS AV KOMPLEXA DATA

STATISTISK ANALYS AV KOMPLEXA DATA STATISTISK ANALYS AV KOMPLEXA DATA LONGITUDINELLA DATA Linda Wänström Linköpings universitet 12 December Linda Wänström (Linköpings universitet) LONGITUDINELLA DATA 12 December 1 / 12 Explorativ Faktoranalys

Läs mer

Weibullanalys. Maximum-likelihoodskattning

Weibullanalys. Maximum-likelihoodskattning 1 Weibullanalys Jan Enger Matematisk statistik KTH Weibull-fördelningen är en mycket viktig fördelning inom tillförlitlighetsanalysen. Den används ofta för att modellera mekaniska komponenters livslängder.

Läs mer

EXEMPEL PÅ FRÅGESTÄLLNINGAR INOM STATISTIKTE- ORIN (INFERENSTEORIN):

EXEMPEL PÅ FRÅGESTÄLLNINGAR INOM STATISTIKTE- ORIN (INFERENSTEORIN): Lunds tekniska högskola Matematikcentrum Matematisk statistik Matematisk statistik AK för ekosystemteknik, FMSF75 OH-bilder 2018-09-19 EXEMPEL PÅ FRÅGESTÄLLNINGAR INOM STATISTIKTE- ORIN (INFERENSTEORIN):

Läs mer

KTH Matematik SF1633 Differentialekvationer I, för I1 Kontrollskrivning nr 2, Måndag den 31 mars 2008, kl Version: A Namn:... Personnr:...

KTH Matematik SF1633 Differentialekvationer I, för I1 Kontrollskrivning nr 2, Måndag den 31 mars 2008, kl Version: A Namn:... Personnr:... KTH Matematik SF1633 Differentialekvationer I, för I1 Kontrollskrivning nr 2, Måndag den 31 mars 2008, kl. 8.00-10.00 Version: A Namn:... Personnr:... Inga hjälpmedel är tillåtna. Kontrollskrivningen har

Läs mer

TATA42: Föreläsning 7 Differentialekvationer av första ordningen och integralekvationer

TATA42: Föreläsning 7 Differentialekvationer av första ordningen och integralekvationer TATA42: Föreläsning 7 Differentialekvationer av första ordningen och integralekvationer Johan Thim 0 januari 207 Introduktion En differentialekvation (DE) i en variabel är en ekvation som innehåller både

Läs mer

RIEMANNSUMMOR. Den bestämda integralen definieras med hjälp av Riemannsummor. Låt vara en begränsad funktion,, reella tal och. lim.

RIEMANNSUMMOR. Den bestämda integralen definieras med hjälp av Riemannsummor. Låt vara en begränsad funktion,, reella tal och. lim. RIEMANNSUMMOR Låt vara en begränsad funktion,, reella tal och. Den bestämda integralen definieras med hjälp av ä ä, ; lim. Om funktionen har en elementär primitivfunktion då är insättningsformeln (Newton-

Läs mer

Experimentella metoder 2014, Räkneövning 5

Experimentella metoder 2014, Räkneövning 5 Expermentella metoder 04, Räkneövnng 5 Problem : Två stokastska varabler, x och y, är defnerade som x = u + z y = v + z, där u, v och z är tre oberoende stokastska varabler med varanserna σ u, σ v och

Läs mer

Laboration 3: Stora talens lag, centrala gränsvärdessatsen och enkla punktskattningar

Laboration 3: Stora talens lag, centrala gränsvärdessatsen och enkla punktskattningar Lunds tekniska högskola Matematikcentrum Matematisk statistik Laboration 3 Matematisk statistik AK för CDIFysiker, FMS012/MASB03, HT15 Laboration 3: Stora talens lag, centrala gränsvärdessatsen och enkla

Läs mer

Kapitel 3 Diskreta slumpvariabler och deras sannolikhetsfördelningar

Kapitel 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 mer

4.1 Grundläggande sannolikhetslära

4.1 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 mer

Matematikcentrum 1(4) Matematisk Statistik Lunds Universitet MASB11 HT10. Laboration. Regressionsanalys (Sambandsanalys)

Matematikcentrum 1(4) Matematisk Statistik Lunds Universitet MASB11 HT10. Laboration. Regressionsanalys (Sambandsanalys) Matematikcentrum 1(4) Matematisk Statistik Lunds Universitet MASB11 HT10 Laboration Regressionsanalys (Sambandsanalys) Grupp A: 2010-11-24, 13.15 15.00 Grupp B: 2010-11-24, 15.15 17.00 Grupp C: 2010-11-25,

Läs mer

SVÄNGNINGSTIDEN FÖR EN PENDEL

SVÄNGNINGSTIDEN FÖR EN PENDEL Institutionen för fysik 2012-05-21 Umeå universitet SVÄNGNINGSTIDEN FÖR EN PENDEL SAMMANFATTNING Ändamålet med experimentet är att undersöka den matematiska modellen för en fysikalisk pendel. Vi har mätt

Läs mer