Datorövning 5 Tillförlitlighet hos system
|
|
- Maria Henriksson
- för 7 år sedan
- Visningar:
Transkript
1 Lund tekniska högskola Matematikcentrum Matematisk statistik STATISTISKA METODER FÖR SÄKERHETSANALYS FMS065 1 Förberedelseuppgifter Datorövning 5 Tillförlitlighet hos system 1. Läs igenom handledningen och kapitel i boken. 2 Systemtillförlitlighet Tillförlitligheten hos ett system, t.ex. en konstruktion, ett fordon, en produktionslinje, ett logistiksystem för ett stort lager, ett datornärverk, ett kärnkraftverk, en fördämning, en kommunikationssatellit eller en finansportfölj, är ofta definierad som sannolikheten att systemet fungerar som det är tänkt. Vi använder också det motsatta konceptet, dvs. felsannolikheten P f (f står för failure ), som är sannolikheten att systemet inte fungerar som det var tänkt. Funktionsnivån hos systemet kommer uppenbarligen att bero på egenskaperna hos systemet. Antag att alla intressanta egenskaper hos systemet kan beskrivas med hjälp av en uppsättning parametrar x 1, x 2,..., x n. Vi vill att systemet ska tåla en uppsättning belastningar, som vi väljer, dvs. konstruktionen måste tåla en viss nivå på vindstyrka eller vikt, ett fordon måste kunna färdas en godtagbar sträcka innan dess motor går sönder, en produktionslinje måste producera gods oavbrutet under minst en vecka för att vara lönsam, lagrets logistiksystem måste kunna leverera minst 99 % av de beställda varorna i tid och till rätt beställare. Storleken på dessa belastningar, y 1, y 2,..., y m, måste begränsas, på grund av konstruktionsbrister, kostnadsbegränsningar, tidsbegränsningar, etc. Det finns alltså kombinationer av laster, y 1, y 2,..., y m och systemegenskaper, x 1, x 2,..., x n, för vilka systemets kapacitet överskrids och där systemet går sönder. Vi kan uttrycka detta som Systemet fungerar som tänkt h(y 1,..., y m, x 1,..., x n ) > 0 Systemet fungerar inte som tänkt h(y 1,..., y m, x 1,..., x n ) < 0 Funktionen h kallas felfunktion ( failure funktion, performance function, state function ). Om parametrarna och lasterna är slumpmässiga betraktar vi dem som slumpvariabler, Y 1, Y 2,..., Y m och X 1, X 2,..., X n. Nu kan vi skriva felsannolikheten P f som P f = P(h(Y 1,...,Y m, X 1,..., X n ) < 0) Slumpvariabeln Z = h(y 1,...,Y m, X 1,...,X n ) kallas ibland för säkerhetsmarginalen. I denna datorövning ska vi beräkna P f. Både funktionen h och fördelningarna för Y 1,...,Y m och X 1,..., X n kommer att vara kända. Däremot kommer felsannolikheten inte alltid att vara så enkel att beräkna utan vi kommer att behöva simulera fram den. 3 En last och en styrka Vi har en konstruktion av något slag. Den last S ( stress ) konstruktionen utsätts för har fördelningsfunktionen F S (x) = exp( e (x b S)/a S )
2 ii där b S = 55 och a S = 2.5. Styrkan R ( resistance ) hos kunstruktionen har fördelningsfunktionen { F R (x) = 1 e x br cr a R, x > b R 0, x b R där b R = 70, a R = 5 och and c R = 2. Uppgift: Identifiera fördelningarna (normal, Weibull, Gumbel, likformig,... )? Antag att lasten och stykan är oberoende. Då blir felfunktionen h helt enkelt h(r, S) = R S och felsannolikheten blir P f = P(h(R, S) < 0) = P(R S < 0) = P(S > R) Vi börjar med att rita upp de två täthetsfunktionerna f S (x) och f R (x): >> as=2.5; bs=55; ar=5; br=70; cr=2; >> x=linspace(45,90); >> fsx=gumbpdf(x,as,bs); % gumbpdf från kurshemsidan. >> frx=wblpdf(x-br,ar,cr); % Matlabs Weibullfördelning saknar b-parameter! >> figure(1) >> plot(x,frx, b-,x,fsx, r- ) >> legend( f_r(x) styrka, f_s(x) last ) >> xlabel( x ) Uppgift: Ser det ut som om felsannolikheten är stor eller liten? Felsannolikheten kan beräknas som (satsen om total sannolikhet): P f = P(S > R) = = b R ( 1 exp( e (r b S)/a S ) P(S > r R = r) f R (r) dr = ) cr a R ( r br a R (1 F S (r)) f R (r) dr = ) cr 1 e r br cr a R dr Denna fruktansvärda integral kan inte beräknas analytiskt. Men det finns i Matlab en enkel rutin för numerisk integration, trapz, som använder trapetsmetoden. För att använda den måste vi först definiera integranden på en grid: >> r=br:0.01:150; % Vi ska integrera till oändligheten men 150 räcker. >> FSr=gumbcdf(r,aS,bS); % gumbcdf från hemsidan. >> frr=wblpdf(r-br,ar,cr); >> integrand=(1-fsr).*frr; >> Pf = trapz(r,integrand); Uppgift: Beräkna felsannolikheten. Hur ofta kan man förvänta sig att systemet går sönder?
3 iii 3.1 Simulering av P f Här lyckades vi skriva upp och beräkna den integral som gav felsannolikheten. Om systemet är mer komplicerat kan det vara omöjligt. Då kan man, om man känner fördelningarna, beräkna felsannolikheten med hjälp av simulering istället. Om felsannolikheten är liten kan det vara svårt eftersom vi då måste simulera ett mycket stort antal gånger för att få med flera fel. Vi kan förvänta oss att systemet går sönder, i medeltal, en gång på 1/P f. Vi måste alltså simulera flera tusentals gånger för att vår simulering ska ge tillförlitligt resultat. Eftersom vi i praktiken simulerar bara när vi inte kan beräkna P f kan vi inte på förhand veta hur stor simulering som behövs. Vi gör en lite för liten simulering för att se hur det går: >> N=500; % Simulera S och R 500 gånger. >> S=gumbrnd(aS,bS,1,N); % gumbrnd från hemsidan. >> R=bR+wblrnd(aR,cR,1,N); >> figure(2) >> plot(1:n,r, bo,1:n,s, r* ) % Rita de simulerade S och R. >> legend( R: styrka, S: last ) >> xlabel( Simuleringsnummer ) Uppgift: Jämför figuren med täthetsfunktionerna i förra figuren. Ser det ut som om konstruktionen går sönder i någon av simuleringarna? Även om det hamnade en eller två laster uppe bland styrkorna är det ju inte säkert att lasten översteg sin styrka. Vi kan se det om vi ritar lasterna och styrkorna mot varandra: >> figure(3) >> I=find(S>R); % find ger indexen för de simuleringar där S>R. >> plot(r,s, b. ) >> plot(r(i),s(i), ro ) % Rödmarkera de S-R-par där S>R. >> plot([65 90],[65 90], k-,[65 90],[bR br], k-,[br br],[45 90], k- ) % Diverse avgränsnande linjer, se nedan. >> xlabel( R ) >> ylabel( S ) Den vertikala linjen anger den undre gränsen för styrkan, dvs. b R. Det finns aldrig punkter till vänster om den. Över den horisontella linjen (också b R ) ligger de laster som överstiger den undre gränsen för styrkan. Det är de röda punkter som låg bland de blå i figur 2. Diagonalen anger när lasten är lika med styrkan. De punkter som ligger ovanför den är de där lasten översteg styrkan (nummerna ii). Uppgift: Låg någon av lasterna över motsvarande styrka? Nu skattar vi felsannolikheten: >> h=r-s; >> Pf_hat=sum(h<0)/N Uppgift: Blev skattningen bra?
4 iv Uppgift: Gör om hela simuleringen (och figurerna). Hur gick det med skattningen? Osäkerheten hos simuleringen Skattningen blir uppenbarligen mycket osäker och ofta lika med noll. Vi kan ta reda på hur osäker den blir genom att göra 500 simuleringar och upprepa det ett stort antal gånger, ungefär som när vi gjorde bootstrap, men med skillnaden att vi nu kan simulera från de sanna fördelningarna. Sedan kan vi göra ett histogram över skattningarna för att bedöma osäkerheten: >> M = 1000; % M=1000 upprepningar med N=500 i varje. >> for k=1:m Sboot=gumbrnd(aS,bS,1,N); Rboot=bR+wblrnd(aR,cR,1,N); hboot=sboot-rboot; Pfboot(k)=sum(hboot>0)/N; end >> figure(4) >> hist(pfboot) >> plot([pf Pf],[0 800], r- ) % Det sanna Pf-värdet enligt integralen. >> axis([0 8*10^(-3) 0 Inf]) % Sätt skalan så vi kan jämföra med nästa metod. Uppgift: Varför ser skattningens fördelning ut som den gör? Eftersom antalet fel bland 500 simueringar är Bin(500, P f )-fördelat kan vi beräkna skattningens väntevärde, P f, standardavvikelse, P f (1 P f )/500, och variationskoefficient: >> E_Pfboot = Pf >> D_Pfboot = sqrt(pf*(1-pf)/n) >> R_Pfboot = D_Pfboot/E_Pfboot Uppgift: Notera variationskoefficienten. 3.2 Importance sampling Det räcker uppenbarligen inte att bara simulera 500 gånger för att få en bra uppskattning av felsannolikheten. Vi kan naturligtvis öka antalet simuleringar från 500 till något (mycket) större men om den sannolikhet vi ska uppskatta är mycket liten kan det vara nästan omöjligt att simulera så mycket som behövs. Problemet är ju att vi får en massa nollor (när lasten understiger styrkan) och bara några enstaka ettor (när lasten överstiger styrkan). Vi skulle vilja hitta på ett sätt att få fler fel. En sådan metod är importance sampling som går ut på att simulera från en annan fördelning som ger fler fel och sedan vikta resultatet på lämpligt sätt. Vårt problem är ju (se figur 1) att övre svansen i fördelningen för lasten S knappt kommer upp ens till undre gränsen för styrkan R. Om lastfördelningen legat högre upp skulle vi fått fler fel och kunnat göra en bättre skattning. Det hade, t.ex., varit praktiskt om lasten legat 15 enheter högre upp:
5 v >> % Rita först om figur 1 om du slängt den! >> figure(1) >> S_flytt=15; >> plot(x,gumbpdf(x,as,bs+s_flytt), r-- ) % Lägesparametern ökad 15 enheter. Om vi simulerar lasterna från denna nya fördelning kommer vi att få fler fall där S > R. Problemet är bara att det blir alldeles för många fel. Eftersom en täthetsfunktion f (x) är proportionell mot sannolikheten att hamna i närheten av x kan vi räkna ut hur stor andel av de värden som simulerades till värdet x som skulle blivit så stora om vi simulerat från den rätta fördelningen i stället för den flyttade, nämligen f S (x) f Sflyttad (x) (1) Det utnyttjar vi genom att vikta de framsimulerade felen med denna andel. Då blir det inte bara en massa nollor utan ett antal tal mellan 0 och 1 som anger hur stor andel av de simulerade felen som fortfarande skulle varit fel om vi simulerat från rätt fördelning. Obervera att fördelningarna f S (x) och f Sflyttad (x) måste vara definierade på samma område annars kan en av dem bli noll och kvoten oanvändbar. Därför importance samplar vi lasterna och inte styrkorna. Gumbelfördelningen är ju definierad på hela reella axeln medan Weibullfördelningen bara är definierad från b R och uppåt. Vi kan alltså inte flytta styrkefördelningen, bara ändra skala, a R, och form, c R. Vi gör en en simuleringsomgång för att se vad som händer: >> R = br+wblrnd(ar,cr,1,n); % Styrkan simuleras som vanligt. >> S = gumbrnd(as,bs+s_flytt,1,n); % Lasten från den flyttade fördelningen. >> I = find(s>r); % Hitta felen. >> kvoter = zeros(size(r)); % Sätt allt till noll först. >> kvoter(i) = gumbpdf(s(i),as,bs)./gumbpdf(s(i),as,bs+s_flytt); % Felen viktas enligt (1). >> Pf_is=sum(kvoter)/N % Pf-skattnigen. Uppgift: Verkar skattningen bättre nu? Vi gör en ny variant av figur 3 med de nya simuleringarna: >> figure(3) >> I=find(S>R); >> plot(r,s, b. ) >> plot(r(i),s(i), ro ) >> plot([65 90],[65 90], k-,[65 90],[bR br], k-,[br br],[45 90], k- ) >> xlabel( R ) >> ylabel( S ) Uppgift: Blev det fler fel nu jämfört med den tidigare simuleringen? Vi har uppenbarligen en hel mängd fel nu. Trots det blir skattningen av felsannolikheten bra eftersom felen viktas ner. Vi ritar upp vikterna (kvoter) också:
6 vi figure(5) plot(1;n,kvoter, * ) xlabel( Simuleringsnummer ) axis([0 N ]) Uppgift: Ungefär hur stor andel av de simulerade felen med den flyttade fördelningen hade gett ett fel med den riktiga fördelningen istället? Osäkerhet hos importance sampling-skattningen Vi avslutar med att uppskatta fördelningen för importance sampling-skattningen av P f genom att upprepa den 1000 gånger och rita ett histogram (jämför figur 4): >> M=1000; >> for k=1:m Rb=bR+wblrnd(aR,cR,1,N); Sb=gumbrnd(aS,bS+S_flytt,1,N); Ib=find(Sb>Rb); kvoterb=zeros(size(rb)); kvoterb(ib) = gumbpdf(sb(ib),as,bs)./gumbpdf(sb(ib),as,bs+s_flytt); Pf_isb(k)=sum(kvoterb)/N; end >> figure(6) >> hist(pf_isb) >> plot([pf Pf],[0 300], r- ) Uppgift: Hur ser fördelningen ut nu? För att jämföra osäkerheten i importance sampling-skattningen med den enkla simuleringsskattningen sätter vi skalan på x-axeln till samma som i figur 4: >> axis([0 8*10^(-3) 0 Inf]) Uppgift: Hur har det gått med osäkerheten hos skattningen? Eftersom vi inte vet vilken fördelning dessa skattningar har uppskattar vi väntevärde, standardavvikelse och variationskoefficient ur de 1000 simuleringsomgångarna: >> E_Pf_is = mean(pf_isb) >> D_Pf_is = std(pf_isb) >> R_Pf_is = D_Pf_is/E_Pf_is Uppgift: Jämför variationskoefficienten med den tidigare. Vad hände med den?
7 vii Eftersom vi vet att variationskoefficienten för den vanliga simuleringen blev R(Pf ) = D(P f ) E(Pf ) = Pf (1 P f )/N 1 Pf = N = 1 P f P f NP f P f R(Pf )2 kan vi också beräkna hur stort antal simuleringar som hade behövts för att den enkla simuleringen skulle haft lika liten variationskoefficient som en importance sampling med 500 observationer: >> N_krav = (1-Pf)/(Pf*R_Pf_is^2) Uppgift: Hur många simuleringar måste vi göra? Uppgift: Om du har tid över! Gör om den enkla simuleringen i 2.1 men med det nya antalet observationer. Gör också om de 1000 upprepningarna (det kan ta lite tid!) och histogrammet i figur 4 och jämför med importance sampling-resultatet i figur 6.
Datorövning 1: Fördelningar
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMS012/MASB03: MATEMATISK STATISTIK, 9 HP, VT-17 Datorövning 1: Fördelningar I denna datorövning ska du utforska begreppen sannolikhet och
Läs merbli bekant med summor av stokastiska variabler.
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORÖVNING 2 MATEMATISK STATISTIK FÖR E FMSF20 Syfte: Syftet med dagens laborationen är att du skall: få förståelse för diskreta, bivariate
Läs merDatorövning 1 Fördelningar
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF20: MATEMATISK STATISTIK, ALLMÄN KURS, 7.5HP FÖR E, HT-15 Datorövning 1 Fördelningar I denna datorövning ska du utforska begreppen sannolikhet
Läs merSF1905 Sannolikhetsteori och statistik: Lab 2 ht 2011
Avd. Matematisk statistik Tobias Rydén 2011-09-30 SF1905 Sannolikhetsteori och statistik: Lab 2 ht 2011 Förberedelser. Innan du går till laborationen, läs igenom den här handledningen. Repetera också i
Läs merDATORÖVNING 2 MATEMATISK STATISTIK FÖR D, I, PI OCH FYSIKER; FMSF45 & MASB03. bli bekant med summor av stokastiska variabler.
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORÖVNING 2 MATEMATISK STATISTIK FÖR D, I, PI OCH FYSIKER; FMSF45 & MASB03 Syfte: Syftet med dagens laborationen är att du skall: få förståelse
Läs merDatorövning 2 Betingad fördelning och Centrala gränsvärdessatsen
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMS012/MASB03: MATEMATISK STATISTIK, 9 HP, HT-16 Datorövning 2 Betingad fördelning och Centrala gränsvärdessatsen Syftet med den här laborationen
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 merDatorövning 1 Introduktion till Matlab Fördelningar
Lunds tekniska högskola Matematikcentrum Matematisk statistik STATISTISKA METODER FÖR SÄKERHETSANALYS FMS065, HT-12 Datorövning 1 Introduktion till Matlab Fördelningar I denna datorövning ska du först
Läs merrepetera begreppen sannolikhetsfunktion, frekvensfunktion och fördelningsfunktion
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF25: MATEMATISK STATISTIK KOMPLETTERANDE PROJEKT DATORLABORATION 1, 14 NOVEMBER 2017 Syfte Syftet med dagens laboration är att du ska träna
Läs merDatorövning 1: Fördelningar
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF45/MASB03: MATEMATISK STATISTIK, 9 HP, VT-18 Datorövning 1: Fördelningar I denna datorövning ska du utforska begreppen sannolikhet och
Läs merDatorövning 6 Extremvärden och Peak over Threshold
Lunds tekniska högskola Matematikcentrum Matematisk statistik STATISTISKA METODER FÖR SÄKERHETSANALYS FMS065 Datorövning 6 Extremvärden och Peak over Threshold I denna datorövning ska vi använda mätningarna
Läs merDatorövning 3 Bootstrap och Bayesiansk analys
Lunds tekniska högskola Matematikcentrum Matematisk statistik STATISTISKA METODER FÖR SÄKERHETSANALYS FMS065 Datorövning 3 Bootstrap och Bayesiansk analys I denna datorövning ska vi fokusera på två olika
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 merStatistiska metoder för säkerhetsanalys
F11: Poissonprocesser och tillförlitlighet Egenskaper Träd Test London Poissonprocesser i planet Vi har ett område B. Låt N(B) vara antalet händelser som inträffar i område B. Om det gäller att två eller
Läs merDatorövning 3 Bootstrap och Bayesiansk analys
Lunds tekniska högskola Matematikcentrum Matematisk statistik STATISTISKA METODER FÖR SÄKERHETSANALYS FMS065, HT-17 Datorövning 3 Bootstrap och Bayesiansk analys I denna datorövning ska vi fokusera på
Läs merLaboration 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 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 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 merDatorövning 6 Extremvärden och Peaks over Threshold
Lunds tekniska högskola Matematikcentrum Matematisk statistik STATISTISKA METODER FÖR SÄKERHETSANALYS FMS065, HT-16 Datorövning 6 Extremvärden och Peaks over Threshold I denna datorövning ska vi använda
Läs merhistogram över 1000 observerade väntetider minuter 0.06 f(x) täthetsfkn x väntetid 1
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF5: Matematisk statistik för L och V OH-bilder på föreläsning 4, 27--8 EXEMPEL: buss. Från en busshållplats avgår en buss var 2 min (inga
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 merLaboration 2: 1 Syfte. 2 Väntevärde och varians hos en s.v. X med fördelningen F X (x) MATEMATISK STATISTIK, AK FÖR BYGG, FMS 601, HT-08
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK MATEMATISK STATISTIK, AK FÖR BYGG, FMS 601, HT-08 Laboration 2: Om väntevärden och fördelningar 1 Syfte I denna laboration skall vi försöka
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 mer1 Stora talens lag. Laboration 2 Matematisk statistik allmän kurs, MASA01:A, HT Teori. 1.2 Uppgifter
Lunds universitet Matematikcentrum Matematisk statistik Laboration 2 Matematisk statistik allmän kurs, MASA01:A, HT-15 Syftet med denna laboration är att du skall bli förtrogen med två viktiga områden
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 merPROGRAMFÖRKLARING III
Statistik för modellval och prediktion att beskriva, förklara och förutsäga Georg Lindgren PROGRAMFÖRKLARING III Matematisk statistik, Lunds universitet stik för modellval och prediktion p./22 Statistik
Läs merWeibullanalys. 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 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 merträna på att använda olika grafiska metoder för att undersöka vilka fördelningar ett datamaterial kan komma från
Matematikcentrum Matematisk statistik MASB11: BIOSTATISTISK GRUNDKURS DATORLABORATION 1, 1 APRIL 215 FÖRDELNINGAR, SIMULERING OCH FÖRDELNINGSANPASSNING Syfte Syftet med dagens laboration är att du ska
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 merFöreläsning 8: Konfidensintervall
Föreläsning 8: Konfidensintervall Matematisk statistik Chalmers University of Technology Maj 4, 2015 Projektuppgift Projektet går ut på att studera frisättningen av dopamin hos nervceller och de två huvudsakliga
Läs merLaboration 3: Stora talens lag, centrala gränsvärdessatsen och enkla punktskattningar
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK LABORATION 3 MATEMATISK STATISTIK AK FÖR CDIFYSIKER, FMS012/MASB03, HT12 Laboration 3: Stora talens lag, centrala gränsvärdessatsen och enkla
Läs merLaboration 3: Enkla punktskattningar, styrkefunktion och bootstrap
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 3, HT -06 MATEMATISK STATISTIK FÖR F, PI OCH NANO, FMS 012 MATEMATISK STATISTIK FÖR FYSIKER, MAS 233 Laboration 3: Enkla punktskattningar,
Läs merStatistiska metoder för säkerhetsanalys
F13: Kvantiler och extremvärden Lysrör Extremvärden Vi hade tidigare (Kedja) att om X i var oberoende och Rayleigh-fördelade så blev Y = min(x 1,..., X n ) också Rayleighfördelad. Vad händer med Z = max(x
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 merInstruktioner till arbetet med miniprojekt I
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMS035: Matematisk statistik för M Miniprojekt I Instruktioner till arbetet med miniprojekt I Innan ni börjar arbeta vid Datorlaboration 2
Läs merSyftet med den här laborationen är att du skall bli mer förtrogen med följande viktiga områden inom matematisk statistik
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 4 MATEMATISK STATISTIK, AK FÖR I, FMS 01, HT-07 Laboration 4: Stora talens lag, Centrala gränsvärdessatsen, enkla punktskattningar
Läs merLaboration 1: Grundläggande sannolikhetsteori, simulering och dataanalys
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK LABORATION 1 MATEMATISK STATISTIK AK FÖR F OCH FYSIKER, FMS012/MASB03, VT15 Laboration 1: Grundläggande sannolikhetsteori, simulering och dataanalys
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 merAvd. Matematisk statistik
Avd. Matematisk statistik TENTAMEN I SF1913 MATEMATISK STATISTIK FÖR IT OCH ME ONSDAGEN DEN 12 JANUARI 2011 KL 14.00 19.00. Examinator: Camilla Landén, tel. 7908466. Tillåtna hjälpmedel: Formel- och tabellsamling
Läs merFörsta sidan är ett försättsblad (laddas ned från kurshemsidan) Alla frågor som nns i uppgiftstexten är besvarade
HT 2011 Inlämningsuppgift 1 Statistisk teori med tillämpningar Instruktioner Ett av problemen A, B eller C tilldelas gruppen vid första övningstillfället. Rapporten ska lämnas in senast 29/9 kl 16.30.
Läs merBIOSTATISTISK GRUNDKURS, MASB11 ÖVNING 6 (2015-04-22) OCH INFÖR ÖVNING 7 (2015-04-29)
LUNDS UNIVERSITET, MATEMATIKCENTRUM, MATEMATISK STATISTIK BIOSTATISTISK GRUNDKURS, MASB11 ÖVNING 6 (2015-04-22) OCH INFÖR ÖVNING 7 (2015-04-29) Aktuella avsnitt i boken: Kap 61 65 Lektionens mål: Du ska
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 merSF1901 Sannolikhetsteori och statistik: HT 2014 Lab 1 för CSAMHS, CINEKI, och CL
Matematisk Statistik SF1901 Sannolikhetsteori och statistik: HT 2014 Lab 1 för CSAMHS, CINEKI, och CL Introduktion Detta är handledningen till Laboration 1, ta med en en utskriven kopia av den till laborationen.
Läs merFöreläsning 4. Kapitel 5, sid Stickprovsteori
Föreläsning 4 Kapitel 5, sid 127-152 Stickprovsteori 2 Agenda Stickprovsteori Väntevärdesriktiga skattningar Samplingfördelningar Stora talens lag, Centrala gränsvärdessatsen 3 Statistisk inferens Population:
Läs merKontrollera att följande punkter är uppfyllda innan rapporten lämnas in: Första sidan är ett försättsblad (laddas ned från kurshemsidan)
Statistiska institutionen VT 2012 Inlämningsuppgift 1 Statistisk teori med tillämpningar Instruktioner Ett av problemen A, B eller C tilldelas gruppen vid första övningstillfället. Rapporten ska lämnas
Läs merLinjära ekvationssystem
CTH/GU LABORATION MVE0-0/0 Matematiska vetenskaper Inledning Linjära ekvationssystem Redan i första läsperioden löste vi linjära ekvationssystem Ax = b med Matlab. Vi satte ihop koefficentmatrisen A med
Läs merSF1900 Sannolikhetsteori och statistik, HT 2017 Laboration 1 för CINEK2
Matematisk Statistik SF1900 Sannolikhetsteori och statistik, HT 2017 Laboration 1 för CINEK2 1 Introduktion Denna laboration är inte poänggivande utan är till för den som vill bekanta sig med MATLAB. Fokusera
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 merMålet för D2 är att studenterna ska kunna följande: Dra slumptal från olika sannolikhetsfördelningar med hjälp av SAS
Datorövning 2 Statistisk teori med tillämpningar Simulering i SAS Syfte Att simulera data är en metod som ofta används inom forskning inom ett stort antal ämnen, exempelvis nationalekonomi, fysik, miljövetenskap
Läs merIntroduktion till statistik för statsvetare
"Det finns inget så praktiskt som en bra teori" November 2011 Repetition Vad vi gjort hitills Vi har börjat med att studera olika typer av mätningar och sedan successivt tagit fram olika beskrivande mått
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 merLUNDS UNIVERSITET 1(6) STATISTISKA INSTITUTIONEN Per-Erik Isberg
LUNDS UNIVERSITET 1(6) STATISTISKA INSTITUTIONEN Per-Erik Isberg Simulering i MINITAB Det finns goda möjligheter att utföra olika typer av simuleringar i Minitab. Gemensamt för dessa är att man börjar
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 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 merNedan redovisas resultatet med hjälp av ett antal olika diagram (pkt 1-6):
EM-fotboll 2012 några grafer Sport är en verksamhet som genererar mängder av numerisk information som följs med stort intresse EM i fotboll är inget undantag och detta dokument visar några grafer med kommentarer
Läs merLÖSNINGAR 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 merMålet för D3 är att studenterna ska kunna följande: Dra slumptal från olika sannolikhetsfördelningar med hjälp av SAS
Datorövning 3 Statistisk teori med tillämpningar Simulering i SAS Syfte Att simulera data är en metod som ofta används inom forskning inom ett stort antal ämnen, exempelvis nationalekonomi, fysik, miljövetenskap
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 merResultatet läggs in i ladok senast 13 juni 2014.
Matematisk statistik Tentamen: 214 6 2 kl 14 19 FMS 35 Matematisk statistik AK för M, 7.5 hp Till Del A skall endast svar lämnas. Samtliga svar skall skrivas på ett och samma papper. Övriga uppgifter fordrar
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 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 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 merFöreläsning 4, Matematisk statistik för M
Föreläsning 4, Matematisk statistik för M Erik Lindström 1 april 2015 Erik Lindström - erikl@maths.lth.se FMS012 F4 1/19 Binomialfördelning Beteckning: X Bin(n, p) Förekomst: Ett slumpmässigt försök med
Läs merDATORÖVNING 2: SIMULERING
UPPSALA UNIVERSITET Matematiska institutionen Måns Thulin - thulin@math.uu.se Matematisk statistik Statistik för ingenjörer VT 2013 DATORÖVNING 2: SIMULERING Innehåll 1 Inledning 1 2 Inledande exempel
Läs merTentamen i Beräkningsvetenskap II, 5.0 hp, Del A
Uppsala universitet Institutionen för informationsteknologi Beräkningsvetenskap Tentamen i Beräkningsvetenskap II, 5.0 hp, 2016-03-16 Del A 1. (a) Beräkna lösningen Ù vid Ø = 03 till differentialekvationen
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 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 merExperimentella 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 merKap 3: Diskreta fördelningar
Kap 3: Diskreta fördelningar Sannolikhetsfördelningar Slumpvariabler Fördelningsfunktion Diskreta fördelningar Likformiga fördelningen Binomialfördelningen Hypergeometriska fördelningen Poisson fördelningen
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 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 merMatematisk statistik allmän kurs, MASA01:B, HT-14 Laborationer
Lunds universitet Matematikcentrum Matematisk statistik Matematisk statistik allmän kurs, MASA01:B, HT-14 Laborationer Information om laborationerna I andra halvan av MASA01 kursen ingår två laborationer.
Läs merLunds tekniska högskola Matematikcentrum Matematisk statistik
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMS035: MATEMATISK STATISTIK FÖR M DATORLABORATION 1 Syfte Syftet med dagens laboration är att du ska träna på att hantera olika numeriska
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 merMonte Carlo-metoder. Bild från Monte Carlo
Monte Carlo-metoder 0 Målen för föreläsningen På datorn Bild från Monte Carlo http://en.wikipedia.org/wiki/file:real_monte_carlo_casino.jpg 1 Begrepp En stokastisk metod ger olika resultat vid upprepning
Läs merEXEMPEL PÅ FRÅGESTÄLLNINGAR INOM STATISTIK- TEORIN (INFERENSTEORIN):
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF50: Matematisk statistik för L och V OH-bilder på föreläsning 7, 2017-11-20 EXEMPEL PÅ FRÅGESTÄLLNINGAR INOM STATISTIK- TEORIN (INFERENSTEORIN):
Läs merSF1901: Sannolikhetslära och statistik
SF1901: Sannolikhetslära och statistik Föreläsning 6. Normalfördelning, Centrala gränsvärdessatsen, Approximationer Jan Grandell & Timo Koski 06.02.2012 Jan Grandell & Timo Koski () Matematisk statistik
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 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 merMatematisk statistik 9 hp Föreläsning 4: Flerdim
Matematisk statistik 9 hp Föreläsning 4: Flerdim Johan Lindström 3+4 september 26 Johan Lindström - johanl@maths.lth.se FMS2 F4: Flerdim /5 Transformer Inversmetoden Transformation av stokastiska variabler
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 merDiskussionsproblem för Statistik för ingenjörer
Diskussionsproblem för Statistik för ingenjörer Måns Thulin thulin@math.uu.se Senast uppdaterad 20 februari 2013 Diskussionsproblem till Lektion 3 1. En projektledare i ett byggföretaget ska undersöka
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 merF22, Icke-parametriska metoder.
Icke-parametriska metoder F22, Icke-parametriska metoder. Christian Tallberg Statistiska institutionen Stockholms universitet Tidigare när vi utfört inferens, dvs utifrån stickprov gjort konfidensintervall
Läs mer1 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 merDel 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 merMatematisk statistik för B, K, N, BME och Kemister
Matematisk statistik för B, K, N, BME och Kemister Föreläsning 3 Johan Lindström 4 september 7 Johan Lindström - johanl@maths.lth.se FMSF7/MASB F3 /3 fördelningsplot log- Johan Lindström - johanl@maths.lth.se
Läs merMS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I
MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I G. Gripenberg Aalto-universitetet 28 januari 2014 G. Gripenberg (Aalto-universitetet) MS-A0509 Grundkurs i sannolikhetskalkyl
Läs merMS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I
MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I G. Gripenberg Sannolikheter Slumpvariabler Centrala gränsvärdessatsen Aalto-universitetet 8 januari 04 3 Tvådimensionella slumpvariabler
Läs merLaboration 4: Hypotesprövning och styrkefunktion
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 4 MATEMATISK STATISTIK, AK FÖR L, FMS 032, HT-07 Laboration 4: Hypotesprövning och styrkefunktion 1 Syfte I denna laboration
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 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 merStokastiska processer och simulering I 24 augusti
STOCKHOLMS UNIVERSITET LÖSNINGAR MATEMATISKA INSTITUTIONEN Stokastiska processer och simulering I Avd Matematisk statistik 24 augusti 2016 Lösningar Stokastiska processer och simulering I 24 augusti 2016
Läs merSF1910 Tillämpad statistik, HT 2016 Laboration 1 för CSAMHS, CLGYM-TEMI
Matematisk Statistik Introduktion SF1910 Tillämpad statistik, HT 2016 Laboration 1 för CSAMHS, CLGYM-TEMI Detta är handledningen till Laboration 1, ta med en en utskriven kopia av den till laborationen.
Läs merMatematikcentrum 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 merLunds tekniska högskola Matematikcentrum Matematisk statistik
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMS035: MATEMATISK STATISTIK FÖR M DATORLABORATION 1, 2012-03-30 Syfte Syftet med dagens laboration är att du ska träna på att hantera olika
Läs merFÖRELÄSNING 7:
FÖRELÄSNING 7: 2016-05-10 LÄRANDEMÅL Normalfördelningen Standardnormalfördelning Centrala gränsvärdessatsen Konfidensintervall Konfidensnivå Konfidensintervall för väntevärdet då variansen är känd Samla
Läs merFÖRELÄSNING 8:
FÖRELÄSNING 8: 016-05-17 LÄRANDEMÅL Konfidensintervall för väntevärdet då variansen är okänd T-fördelningen Goodness of fit-test χ -fördelningen Hypotestest Signifikansgrad Samla in data Sammanställ data
Läs merMatematikcentrum 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