MSG830 Statistisk analys och experimentplanering
|
|
- Ulla-Britt Persson
- för 7 år sedan
- Visningar:
Transkript
1 MSG830 Statistisk analys och experimentplanering Tentamen 15 januari 2016, 8:30-12:30 Examinator: Staan Nilsson, telefon , kommer till tentamenslokalen 9:30 och 11:30 Tillåtna hjälpmedel: Valfri kalkylator Antal poäng totalt: 30. För betyget godkänd krävs minst 12 poäng, för väl godkänd 22 poäng 1. Vid Anders Perssons julbord nns alltid någon av kålrätterna grönkål eller brunkål. Under 30% av måltiderna nns det både grönkål och brunkål. Vid hälften av de måltider då grönkål serveras nns det också brunkål. Beteckna händelserna G: grönkål serveras, B: brunkål serveras. (a) Ange med ledning av texten värdet på sannolikheterna: P (B G), P (B G), P (B G) (b) Beräkna P (B) (c) Beräkna P (G) (d) Är händelserna B och G oberoende? Motivera ditt svar. 2. Skramla nötter heter en hederlig gammal jullek, som nns i många varianter. I en variant startar alla spelare med ett givet antal nötter. En spelare börjar med att gömma en, två eller tre nötter under en kopp och nästa spelare ska gissa hur många där nns. Om den spelaren gissar rätt får hon nötterna under koppen. Sen blir det hennes tur att gömma nötter på samma sätt. Spelet tar slut när alla utom vinnaren har slut på sina nötter. Om man räknar på strategier, så visar det sig att ett bra sätt är att slumpa fram hur många nötter man ska lägga med sannolikheterna 6/11, 3/11 och 2/11 för 1, 2 respektive 3 nötter. (a) Låt Y beteckna det antal nötter som spelaren gömmer med den föreslagna strategin. Beräkna väntevärdet av Y. (b) Vad är väntevärdet av antal förlorade nötter vid en gissning om den andre spelaren gissar på två nötter? 3. I Anders Perssons hem tändes 20 värmeljus på julafton och dessa ck brinna tills de slocknade. Ljusen var från ICA och Coop. De 10 ljusen från ICA brann i genomsnitt 419 minuter med en standardavvikelse på 25 minuter. De 10 ljusen från Coop brann i genomsnitt 437 minuter med en standardavvikelse på 30 minuter. Testa på 5% signikansnivå om det är någon skillnad mellan de två fabrikaten med avseende på brinntid. (4p) 4. Anders Persson tände också två marshaller vid entren på julafton, juldagen, annandagen, nyårsafton och nyårsdagen. Varje dag tände han en från Rusta och en från Hemköp. Brinntiderna anges nedan 24/12 25/12 26/12 31/12 1/1 Rusta Hemköp Testa på 5% signikansnivå om det nns någon skillnad i brinntid mellan de två fabrikaten. 5. I ett projekt på en statistikkurs undersökte en grupp hur vanligt det var med plastgran respektive vanlig gran bland kunder på GeKås. Bland annat jämförde man de som bodde i lägenhet med de som bodde i villa. Av de 49 villaboende hade 11 plastgran. Av de 21 som bodde i lägenhet hade 10 plastgran. Testa på 5% signikansnivå om boendet har samband med val av gran. (4p) (4p) (3p) (4p) 1
2 6. På en provyta för granodling följer man granar som nått en meters höjd. Var annat år sågas 6 granar ner och bland annat mäts höjden. Totalt omfattar studien 30 granar. Granarnas höjd används för att med regressionsanalys bestämma den genomsnittliga årstillväxten. Nedan visas utdata från SPSS. Granhöjden har angetts i meter. (a) Hur stor andel av granhöjdsvariansen beror av åldern? (b) Hur mycket växer granarna i genomsnitt på 10 år? (c) Vad är korrelationen mellan granhöjd och ålder? (d) Kan vi förkasta att populationsmedelvärdet µ av granarnas årliga tillväxttakt är 50 cm? Motivera! (4p) 2
3 7. I ett annat projekt granodlingsförsök jämförs tillväxttakten på 8 olika orter. På varje ort bestäms den av 10 granar som följs utan att fällas. För att avgöra om det nns någon skillnad i tillväxttakt mellan orterna gör man en analys enligt nedan. (a) Formulera nollhypotesen i variansanalysen. (b) För vilken/vilka av följande signikansnivåer kan vi förkasta nollhypotesen: 0.01,0.05,0.10 (c) Ge ett förslag på en analys som har bättre förutsättningar att detektera skillnader i tillväxttakt. 8. Malin har skickat Kronblom att köpa gran på torget i Vinkelboda. Deras julgransfot kan ta granar med en diameter mellan 7.5 och 9 centimeter. På torget säljs granar vars stamdiameter i centimeter är normalfördelad med väntevärde 8.5 cm och standardavvikelse 0.5 cm. (a) Vad är sannolikheten att Kronbloms gran passar foten om han väljer en gran på måfå? (b) Vad är sannolikheten att någon gran passar om Kronblom köper tre granar på måfå? (3p) (4p) 3
4 Formler och tabeller till kursen MSG830 Deskriptiva mått För en datamängd x 1,, x n denieras medelvärde standardavvikelse standardfelet (SEM) Sannolikheter x = 1 n n i=1 = x x n n s = 1 n (x i x) n 1 2 i=1 SEM = s/ n För två händelser A och B gäller Betingade sannolikheter P (A B) = P (A) + P (B) P (A B) Lagen om total sannolikhet P (A B) = P (A B) P (B) Om utfallsrummet indelas i disjunkta händelser A 1,, A k, vars union är hela utfallsrummet, så gäller för varje händelse B P (B) = k P (B A i )P (A i ) i=1 Om P (A B) = P (A) säges A och B vara oberoende. Detta medför också att A och B är oberoende om och endast om P (A B) = P (A)P (B) Stokastiska variabler En diskret stokastisk variabel X kan anta ett ändigt (eller uppräkneligt) antal värden. Sannolikheten för varje värde bestäms av en sannolikhetsfunktion p p(x) = P (X = x) Väntevärdet av en diskret stokastisk variabel är µ = E[X] = x xp(x) 1
5 och variansen är σ 2 = V [X] = x (x µ) 2 p(x) = E[X 2 ] µ 2 Kontinuerliga stokastiska variabler beskrivs med en täthetsfunktion f(x) 0 för alla x och f(x) = 1 För en kontinuerlig stokastisk variabel X är P (X = x) = 0 för varje x, men P (a X b) = b a f(x) X och Y är oberoende om P (X x Y y) = P (X x)p (Y y) för alla x, y Regler för väntevärden och varians Om a, b är konstanter och X, Y är stokastiska variabler gäller alltid E[X + Y ] = E[X] + E[Y ] E[a + bx] = a + be[x] V [a + bx] = b 2 V [X] om dessutom X och Y är oberoende så gäller även E[XY ] = E[X]E[Y ] och V [X + Y ] = V [X] + V [Y ] Binomialfördelning S bin(n, p) ( ) n P (S = k) = p k (1 p) n k för k = 0, 1, 2,, n k Normalfördelning X N(µ, σ) E[S] = np, V [S] = np(1 p) f(x) = 1 σ 2π e (x µ) 2 2σ E[X] = µ, V [X] = σ 2 2
6 Fördelningen med µ = 0 och σ = 1 kallas standard (el standardiserad) normalfördelning Om X N(µ, σ) så är Z = X µ σ N(0, 1) och om vi har ett stickprov X 1, X 2,, X n så är Z = X µ σ/ n N(0, 1) Ett stickprov X 1, X 2,, X n där varje X i N(µ, σ) Testa H 0 : µ = µ 0 på signikansnivå α med T = x µ 0 s/ n t n 1 (t-fördelning med n 1 frihetsgrader) Förkasta H 0 om T t α/2,n 1 då H a : µ µ 0 Förkasta H 0 om T t α,n 1 då H a : µ > µ 0 Förkasta H 0 om T t α,n 1 då H a : µ < µ 0 Bilda ett tvåsidigt 100(1 α)% kondensintervall med x ± t α/2,n 1 s/ n Om σ av någon anledning råkar vara känt, ersätt s med σ och använd z α/2 i st f t α/2,n 1 Om X i inte är normalfördelad, men stickprovet stort kan vi anta att T ovan är approximativt standard normalfördelad. Parade data (X 1, Y 1 ), (X 2, Y 2 ),, (X n, Y n ) där varje D i = X i Y i N(δ, σ) Testa H 0 : δ = δ 0 (oftast δ 0 = 0) genom att betrakta alla D i som ett stickprov på dierenser och följ anvisningar för ett stickprov. T = D δ 0 s/ n Två stickprov X 1, X 2,, X m och Y 1, Y 2,, Y n Anta X i N(µ 1, σ) och Y i N(µ 2, σ) Poola de två variansskattningarna s 2 1 och s2 2 för X resp Y. 3
7 s 2 p = (m 1)s2 1 + (n 1)s 2 2 m + n 2 och testa H 0 : µ 1 µ 2 = 0 (oftast 0 = 0) på signikansnivå α med T = x ȳ 0 s p 1/m + 1/n t n+m 2 (t-fördelning med n + m 2 frihetsgrader) Förkasta H 0 om T t α/2,n+m 2 då H a : µ 1 µ 2 0 Förkasta H 0 om T t α,n+m 2 då H a : µ 1 µ 2 > 0 Förkasta H 0 om T t α,n+m 2 då H a : µ 1 µ 2 < 0 Bilda ett tvåsidigt 100(1 α)% kondensintervall med x ȳ ± t α/2,m+n 2 s p 1/m + 1/n ANOVA - Fler än två stickprov (k>2) Anta att de olika grupperna är normalfördelade N(µ i, σ), dvs eventuellt olika medelvärden, men samma varians. Man kan då testa H 0 : µ 1 = µ 2 = = µ k mot med H a : någon skillnad mellan medelvärdena F = ˆσ2 B ˆσ 2 W där ˆσ W 2 är den poolade variansen analogt med tvåstickprovsfallet och ˆσ2 B skattning av σ baserad på medelvärdena. är en Förkasta H 0 för stora värden på teststatistikan Test av samband mellan två kategoriska variabler Samla antalen av varje kategoripar i en kontingenstabell med r rader och c kolumner 4
8 1 j c 1 n 11 n 1j n 1c n 1. i n i1 n ij n ij n i. r n r1 n rj n rc n r. n.1 n.j n.c n n i. = c n ij och n.j = j=1 Anta att följande sannolikheter gäller för cellerna och marginalerna 1 j c 1 p 11 p 1j p 1c p 1. i p i1 p ij p ij p i. r p r1 p rj p rc p r. p.1 p.j p.c 1 r i=1 Testa H 0 : p ij = p i. p.j för alla par i, j (dvs oberoende) med n ij χ 2 = (n ij ê ij ) 2 som är approximativt χ 2 fördelad med (r 1)(c 1) frihetsgrader och där ê ij = ni.n.j n. För att approximationen ska vara god bör ê ij 5 för minst 80% av cellerna. ê ij Förkasta H 0 för stora värden på teststatistikan Goodness of t För att testa om en kategorisk variabel med k kategorier följer förutbestämda proportioner p 1, p 2,, p k används ett chi2-test. χ 2 = (n i np i ) 2 np i som är approximativt χ 2 fördelad med k 1 frihetsgrader. För att approximationen ska vara god bör np i 5 för varje i. H 0 förkastas för stora värden på χ 2. Regression Vid linjär regression med n observationspar (x i, y i ) skattar man en linje mha modellen y = β 0 + β 1 x + ɛ där ɛ N(0, σ) är bruset. Skattningar får man genom ˆβ 1 = (xi x)(y i ȳ) (xi x) 2 5
9 ˆβ 0 = ȳ ˆβ 1 x Test av H 0 : β 1 = 0 testas med en teststatistika av typen T = ˆβ 1 se( ˆβ 1 ) som är t fördelad med n 2 frihetsgrader Förklaringsgraden R 2 är den andel av variansen hos Y som förklaras av regressionsmodellen. I enkel linjär regression är R 2 = r 2, där r är Pearsons korrelationskoecient. Korrelation Pearsons korrelationskoecient r är ett mått mellan 1 och 1. (xi x)(y i ȳ) r = (xi x) 2 (yi ȳ) 2 som skattar en motsvarande populationsstorhet ρ. Om X och Y är oberoende så är ρ = 0. Man kan testa H 0 : ρ = 0 med T = r n 2 1 r 2 som är t fördelad med n 2 frihetsgrader och identisk med teststatistikan för H 0 : β 1 = 0 från regressionsanalysen. 6
10 A-6 Appendix Tables Table A.3 Standard Normal Curve Areas Φ(z) P(Z z) Standard normal density curve Shaded area = Φ(z) 0 z z (continued) Copyright 2010 Cengage Learning. All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppressed from the ebook and/or echapter(s). Editorial review has deemed that any suppressed content does not materially affect the overall learning experience. Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it.
11 Appendix Tables A-7 Table A.3 Standard Normal Curve Areas (cont.) (z) 5 P(Z # z) z Copyright 2010 Cengage Learning. All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppressed from the ebook and/or echapter(s). Editorial review has deemed that any suppressed content does not materially affect the overall learning experience. Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it.
12 Appendix Tables A-9 Table A.5 Critical Values for t Distributions t density curve Shaded area = 0 t, v Copyright 2010 Cengage Learning. All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppressed from the ebook and/or echapter(s). Editorial review has deemed that any suppressed content does not materially affect the overall learning experience. Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it.
13 Appendix Tables A-11 Table A.7 Critical Values for Chi-Squared Distributions 2 density curve Shaded area = α 0 α, For v. 40, x 2 a,v, va v 1 z 2 a B9v b Copyright 2010 Cengage Learning. All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppressed from the ebook and/or echapter(s). Editorial review has deemed that any suppressed content does not materially affect the overall learning experience. Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it.
14 A-12 Appendix Tables Table A.8 t Curve Tail Areas t curve Area to the right of t 0 t t (continued) Copyright 2010 Cengage Learning. All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppressed from the ebook and/or echapter(s). Editorial review has deemed that any suppressed content does not materially affect the overall learning experience. Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it.
15 Appendix Tables A-13 Table A.8 t Curve Tail Areas (cont.) t curve Area to the right of t 0 t t `( 5z) Copyright 2010 Cengage Learning. All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppressed from the ebook and/or echapter(s). Editorial review has deemed that any suppressed content does not materially affect the overall learning experience. Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it.
Formler och tabeller till kursen MSG830
Formler och tabeller till kursen MSG830 Deskriptiva mått För ett datamängd x 1,, x n denieras medelvärde standardavvikelse standardfelet (SEM) Sannolikheter x = 1 n n i=1 = x 1 + + x n n s = 1 n (x i x)
Läs merMSG830 Statistisk analys och experimentplanering
MSG830 Statistisk analys och experimentplanering Tentamen 8 juni 2015, 8:30-12:30 Examinator: Staan Nilsson, telefon 073 5599 736, kommer till tentamenslokalen 9:30 och 11:30 Tillåtna hjälpmedel: Valfri
Läs merMSG830 Statistisk analys och experimentplanering
MSG830 Statistisk analys och experimentplanering Tentamen 16 April 2015, 8:30-12:30 Examinator: Staan Nilsson, telefon 073 5599 736, kommer till tentamenslokalen 9:30 och 11:30 Tillåtna hjälpmedel: Valfri
Läs merMSG830 Statistisk analys och experimentplanering
MSG830 Statistisk analys och experimentplanering Tentamen 15 Januari 2015, 8:30-12:30 Examinator: Staan Nilsson, telefon 073 5599 736, kommer till tentamenslokalen 9:30 och 11:30 Tillåtna hjälpmedel: Kalkylator
Läs merMSG830 Statistisk analys och experimentplanering
MSG830 Statistisk analys och experimentplanering Tentamen 15 januari 2016, 8:30-12:30 Examinator: Staan Nilsson, telefon 073 5599 736, kommer till tentamenslokalen 9:30 och 11:30 Tillåtna hjälpmedel: Valfri
Läs merMSG830 Statistisk analys och experimentplanering
MSG830 Statistisk analys och experimentplanering Tentamen 20 Mars 2015, 8:30-12:30 Examinator: Staan Nilsson, telefon 073 5599 736, kommer till tentamenslokalen 9:30 och 11:30 Tillåtna hjälpmedel: Valfri
Läs merMSG830 Statistisk analys och experimentplanering
MSG830 Statistisk analys och experimentplanering Tentamen 18 augusti 2015, 8:30-12:30 Examinator: Staan Nilsson, telefon 073 5599 736, kommer till tentamenslokalen 9:30 och 11:30 Tillåtna hjälpmedel: Valfri
Läs merSannolikheter och kombinatorik
Sannolikheter och kombinatorik En sannolikhet är ett tal mellan 0 och 1 som anger hur frekvent en händelse sker, där 0 betyder att det aldrig sker och 1 att det alltid sker. När vi talar om sannolikheter
Läs merMSG830 Statistisk analys och experimentplanering
MSG830 Statistisk analys och experimentplanering Tentamen 16 April 2015, 8:30-12:30 Examinator: Staan Nilsson, telefon 073 5599 736, kommer till tentamenslokalen 9:30 och 11:30 Tillåtna hjälpmedel: Valfri
Läs merMSG830 Statistisk analys och experimentplanering - Lösningar
MSG830 Statistisk analys och experimentplanering - Lösningar Tentamen 16 augusti 2016, 8:30-12:30 Examinator: Staan Nilsson, telefon 073 5599 736, kommer till tentamenslokalen 9:30 och 11:30 Tillåtna hjälpmedel:
Läs merRättningstiden är i normalfall 15 arbetsdagar, till detta tillkommer upp till 5 arbetsdagar för administration, annars är det detta datum som gäller:
Matematisk Statistik Provmoment: Ladokkod: Tentamen ges för: Tentamen TT091A TGMAS15h 7,5 högskolepoäng TentamensKod: Tentamensdatum: 30 Maj Tid: 9-13 Hjälpmedel: Miniräknare (nollställd) samt allmänspråklig
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 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 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 merMSG830 Statistisk analys och experimentplanering
MSG830 Statistisk analys och experimentplanering Tentamen 20 Mars 2015, 8:30-12:30 Examinator: Staan Nilsson, telefon 073 5599 736, kommer till tentamenslokalen 9:30 och 11:30 Tillåtna hjälpmedel: Valfri
Läs merTentamen MVE302 Sannolikhet och statistik
Tentamen MVE32 Sannolikhet och statistik 219-6-5 kl. 8:3-12:3 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Oskar Allerbo, telefon: 31-7725325 Hjälpmedel: Valfri miniräknare.
Läs merFöreläsning 6, Repetition Sannolikhetslära
Föreläsning 6, Repetition Sannolikhetslära kap 4 Sannolikhetslära och slumpvariabler kap 5 Stickprov, medelvärden, CGS, binomialfördelning Viktiga grundbegrepp utfall, händelse, sannolikheter, betingad
Läs merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE301 Sannolikhet, statistik och risk 2017-08-15 kl. 8:30-13:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Olof Elias, telefon: 031-7725325 Hjälpmedel: Valfri
Läs merStatistik 1 för biologer, logopeder och psykologer
Innehåll 1 Hypotesprövning Innehåll Hypotesprövning 1 Hypotesprövning Inledande exempel Hypotesprövning Exempel. Vi är intresserade av en variabel X om vilken vi kan anta att den är (approximativt) normalfördelad
Läs merTentamen i Tillämpad Matematik och statistik för IT-forensik. Del 2: Statistik 7.5 hp
Tentamen i Tillämpad Matematik och statistik för IT-forensik. Del 2: Statistik 7.5 hp 15 januari, 2014 kl. 9.00 13.00 Maxpoäng: 30p. Betygsgränser: 12p: betyg G, 21p: betyg VG. Hjälpmedel: Typgodkänd miniräknare
Läs merTAMS65. Formel- och tabellsamling i matematisk statistik TAMS65. Martin Singull TAMS65 TAMS65
Formel- och tabellsamling i matematisk statistik Martin Singull Innehåll 4.1 Multipel regression.............................. 15 1 Sannolikhetslära 7 1.1 Några diskreta fördelningar.........................
Läs merProvmoment: Tentamen 6,5 hp Ladokkod: A144TG Tentamen ges för: TGMAI17h, Maskiningenjör - Produktutveckling. Tentamensdatum: 28 maj 2018 Tid: 9-13
Matematisk Statistik 7,5 högskolepoäng Provmoment: Tentamen 6,5 hp Ladokkod: A144TG Tentamen ges för: TGMAI17h, Maskiningenjör - Produktutveckling Tentamensdatum: 28 maj 2018 Tid: 9-13 Hjälpmedel: Miniräknare
Läs merTentamen MVE302 Sannolikhet och statistik
Tentamen MVE302 Sannolikhet och statistik 2019-06-05 kl. 8:30-12:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Oskar Allerbo, telefon: 031-7725325 Hjälpmedel: Valfri miniräknare.
Läs merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE301 Sannolikhet, statistik och risk 2018-10-12 kl. 8:30-13:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Olof Elias, telefon: 031-7725325 Hjälpmedel: Valfri
Läs merFORMELSAMLING HT-18 MATEMATISK STATISTIK FÖR B, K, N, BME OCH KEMISTER; FMSF70 & MASB02. Sannolikhetsteori. Beskrivning av data
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK FORMELSAMLING HT-18 MATEMATISK STATISTIK FÖR B, K, N, BME OCH KEMISTER; FMSF70 & MASB02 Sannolikhetsteori Följande gäller för sannolikheter:
Läs merMatematisk statistik KTH. Formel- och tabellsamling i matematisk statistik
Matematisk statistik KTH Formel- och tabellsamling i matematisk statistik Varterminen 2005 . Kombinatorik n = k n! k!n k!. Tolkning: n k mängd med n element. 2. Stokastiska variabler V X = EX 2 EX 2 =
Läs merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE301 Sannolikhet, statistik och risk 2017-06-01 kl. 8:30-13:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Ivar Simonsson, telefon: 031-7725325 Hjälpmedel: Valfri
Läs merRättningstiden är i normalfall 15 arbetsdagar, till detta tillkommer upp till 5 arbetsdagar för administration, annars är det detta datum som gäller:
Matematisk Statistik Provmoment: Ladokkod: Tentamen ges för: Tentamen 6.5 hp AT1MS1 DTEIN16h 7,5 högskolepoäng TentamensKod: Tentamensdatum: 1 juni 2017 Tid: 14-18 Hjälpmedel: Miniräknare Totalt antal
Läs merTentamen Statistik och dataanalys 1, 5p Institutionen för matematik, natur- och datavetenskap, Högskolan i Gävle
Tentamen Statistik och dataanalys 1, 5p Institutionen för matematik, natur- och datavetenskap, Högskolan i Gävle Lärare: Mikael Elenius, 2006-08-25, kl:9-14 Betygsgränser: 65 poäng Väl Godkänt, 50 poäng
Läs merFormel- och tabellsamling i matematisk statistik
Formel- och tabellsamling i matematisk statistik 1. Sannolikhetsteori för lärarprogrammet Sannolikhetsformler P (A ) = 1 P (A) P (A B) = P (A) + P (B) P (A B) P (A B) = P (A B) P (B) P (A B) = P (A B)P
Läs merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE31 Sannolikhet, statistik och risk 218-5-31 kl. 8:3-13:3 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Ivar Simonsson, telefon: 31-7725325 Hjälpmedel: Valfri miniräknare.
Läs merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE301 Sannolikhet, statistik och risk 2018-05-31 kl. 8:30-13:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Ivar Simonsson, telefon: 031-7725325 Hjälpmedel: Valfri
Läs merMatematisk statistik KTH. Formelsamling i matematisk statistik
Matematisk statistik KTH Formelsamling i matematisk statistik Vårterminen 2017 1 Kombinatorik ) n n! = k k! n k)!. Tolkning: mängd med n element. ) n = antalet delmängder av storlek k ur en k 2 Stokastiska
Läs merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE30 Sannolikhet, statistik och risk 207-06-0 kl. 8:30-3:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Ivar Simonsson, telefon: 03-7725348 Hjälpmedel: Valfri miniräknare.
Läs merF13 Regression och problemlösning
1/18 F13 Regression och problemlösning Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 4/3 2013 2/18 Regression Vi studerar hur en variabel y beror på en variabel x. Vår modell
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 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 merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE30 Sannolikhet, statistik och risk 207-08-5 kl. 8:30-3:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Olof Elias, telefon: 03-7725325 Hjälpmedel: Valfri miniräknare.
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 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 merTenta i Statistisk analys, 15 december 2004
STOCKHOLMS UNIVERSITET MATEMATISKA INSTITUTIONEN LÖSNINGAR Avd. Matematisk statistik, ML 15 december 004 Lösningar Tenta i Statistisk analys, 15 december 004 Uppgift 1 Vi har två stickprov med n = 5 st.
Läs merFöreläsning 11: Mer om jämförelser och inferens
Föreläsning 11: Mer om jämförelser och inferens Matematisk statistik David Bolin Chalmers University of Technology Maj 12, 2014 Oberoende stickprov Vi antar att vi har två oberoende stickprov n 1 observationer
Läs merTentamen i statistik (delkurs C) på kursen MAR103: Marina Undersökningar - redskap och metoder.
Tentamen 2014-12-05 i statistik (delkurs C) på kursen MAR103: Marina Undersökningar - redskap och metoder. Tillåtna hjälpmedel: Miniräknare och utdelad formelsamling med tabeller. C1. (6 poäng) Ange för
Läs merFACIT: Tentamen L9MA30, LGMA30
Göteborgs Universitetet GU Lärarprogrammet 20 FACIT: Tentamen L9MA0, LGMA0 Matematik för lärare, åk 7-9, Sannolikhetslära och statistik, Matematik för gymnasielärare, Sannolikhetslära och statistik 20-0-2
Läs merTentamentsskrivning: Matematisk Statistik med Metoder MVE490 1
Tentamentsskrivning: Matematisk Statistik med Metoder MVE490 1 Tentamentsskrivning i Matematisk Statistik med Metoder MVE490 Tid: den 16 augusti, 2017 Examinatorer: Kerstin Wiklander och Erik Broman. Jour:
Läs merMälardalens Högskola. Formelsamling. Statistik, grundkurs
Mälardalens Högskola Formelsamling Statistik, grundkurs Höstterminen 2015 Deskriptiv statistik Populationens medelvärde (population mean): μ = X N Urvalets medelvärde (sample mean): X = X n Där N är storleken
Läs merF9 SAMPLINGFÖRDELNINGAR (NCT
Stat. teori gk, ht 006, JW F9 SAMPLINGFÖRDELNINGAR (NCT 7.1-7.4) Ordlista till NCT Sample Population Simple random sampling Sampling distribution Sample mean Standard error The central limit theorem Proportion
Läs 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 merLösningsförslag till Matematisk statistik LKT325 Tentamen
Lösningsförslag till Matematisk statistik LKT325 Tentamen 20190115 Kursansvarig: Reimond Emanuelsson Betygsgränser: för betyg 3 krävs minst 20 poäng, för betyg 4 krävs minst 30 poäng, för betyg 5 krävs
Läs merTentamen i Matematisk statistik Kurskod S0001M
Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2019-06-07 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 9.00 14.00 Lärare: Adam Jonsson Jourhavande
Läs merExempel. Kontinuerliga stokastiska variabler. Integraler i stället för summor. Integraler i stället för summor
Kontinuerliga stokastiska variabler Exempel En stokastisk variabel är kontinuerlig om den kan anta vilka värden som helst i ett intervall, men sannolikheten för varje enskilt utfall är noll: P(X = x) =.
Läs merTentamen i Statistik, STA A13 Deltentamen 2, 5p 21 januari 2006, kl
Karlstads universitet Institutionen för informationsteknologi Avdelningen för statistik Tentamen i Statistik, STA A13 Deltentamen, 5p 1 januari 006, kl. 09.00-13.00 Tillåtna hjälpmedel: Bifogad formel-
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 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 15: Försöksplanering och repetition
Föreläsning 15: Försöksplanering och repetition Matematisk statistik Chalmers University of Technology Oktober 19, 2015 Utfall och utfallsrum Slumpmässigt försök Man brukar säga att ett slumpmässigt försök
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 merTMS136. Föreläsning 11
TMS136 Föreläsning 11 Andra intervallskattningar Vi har sett att vi givet ett stickprov och under vissa antaganden kan göra intervallskattningar för väntevärden Man kan även gör intervallskattningar för
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 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 mer9. Konfidensintervall vid normalfördelning
TNG006 F9 09-05-016 Konfidensintervall 9. Konfidensintervall vid normalfördelning Låt x 1, x,..., x n vara ett observerat stickprov av oberoende s.v. X 1, X,..., X n var och en med fördelning F. Antag
Läs merFöreläsning 7: 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 merLycka till!
Avd. Matematisk statistik TENTAMEN I 5B1503 STATISTIK MED FÖRSÖKSPLANERING FÖR K OCH B MÅNDAGEN DEN 25 AUGUSTI 2003 KL 14.00 19.00. Examinator: Gunnar Englund, 790 7416. Tillåtna hjälpmedel: Formel- och
Läs merStandardfel (Standard error, SE) SD eller SE. Intervallskattning MSG Staffan Nilsson, Chalmers 1
Standardfel (Standard error, SE) Anta vi har ett stickprov X 1,,X n där varje X i has medel = µ och std.dev = σ. Då är Det sista kalls standardfel (eng:standard error of mean (SEM) eller (SE) och skattas
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 merTentamen för kursen. Linjära statistiska modeller. 22 augusti
STOCKHOLMS UNIVERSITET MATEMATISK STATISTIK Tentamen för kursen Linjära statistiska modeller 22 augusti 2008 9 14 Examinator: Anders Björkström, tel. 16 45 54, bjorks@math.su.se Återlämning: Rum 312, hus
Läs mer(b) Bestäm sannolikheten att minst tre tåg är försenade under högst tre dagar en given vecka.
Avd. Matematisk statistik TENTAMEN I SF1901, SF1905 SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAGEN DEN 11 JANUARI 2016 KL 14.00 19.00. Kursledare för CINEK2: Thomas Önskog, tel: 08 790 84 55 Kursledare för
Läs merTentamen L9MA30, LGMA30
Göteborgs Universitetet GU Lärarprogrammet 017 Matematik 3 för lärare, åk 7-9, Sannolikhetslära och statistik, Matematik 3 för gymnasielärare, Sannolikhetslära och statistik 017-10-0 kl. 08:30-1:30 Examinator:
Läs merFACIT: Tentamen L9MA30, LGMA30
Göteborgs Universitetet GU Lärarprogrammet 216 FACIT: Matematik 3 för lärare, åk 7-9, Sannolikhetslära och statistik, Matematik 3 för gymnasielärare, Sannolikhetslära och statistik 216-1-21 kl. 8.3-12.3
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 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 merTENTAMEN GRUNDLÄGGANDE STATISTIK FÖR EKONOMER
Statistiska institutionen Frank Miller Dan Hedlin Skrivtid: 09.00-14.00 TENTAMEN GRUNDLÄGGANDE STATISTIK FÖR EKONOMER 2014-03-21 Hjälpmedel: Miniräknare utan lagrade formler eller text, bifogade tabeller
Läs merMVE051/MSG Föreläsning 14
MVE051/MSG810 2016 Föreläsning 14 Petter Mostad Chalmers December 14, 2016 Beroende och oberoende variabler Hittills i kursen har vi tittat på modeller där alla observationer representeras av stokastiska
Läs merLösningar 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 mer732G71 Statistik B. Föreläsning 1, kap Bertil Wegmann. IDA, Linköpings universitet. Bertil Wegmann (IDA, LiU) 732G71, Statistik B 1 / 20
732G71 Statistik B Föreläsning 1, kap. 3.1-3.7 Bertil Wegmann IDA, Linköpings universitet Bertil Wegmann (IDA, LiU) 732G71, Statistik B 1 / 20 Exempel, enkel linjär regressionsanalys Ett företag vill veta
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 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 merPreliminära lösningar för Tentamen Tillämpad statistik A5 (15hp) Statistiska institutionen, Uppsala universitet
Preliminära lösningar för Tentamen Tillämpad statistik A5 (15hp) 2016-01-13 Statistiska institutionen, Uppsala universitet Uppgift 1 (20 poäng) A) (4p) Om kommunens befolkning i den lokala arbetsmarknaden
Läs mer1. En kortlek består av 52 kort, med fyra färger och 13 valörer i varje färg.
Tentamenskrivning för TMS63, Matematisk Statistik. Onsdag fm den 1 juni, 16, Eklandagatan 86. Examinator: Marina Axelson-Fisk. Tel: 7-88113. Tillåtna hjälpmedel: typgodkänd miniräknare, tabell- och formelhäfte
Läs merStokastiska vektorer och multivariat normalfördelning
Stokastiska vektorer och multivariat normalfördelning Johan Thim johanthim@liuse 3 november 08 Repetition Definition Låt X och Y vara stokastiska variabler med EX µ X, V X σx, EY µ Y samt V Y σy Kovariansen
Läs merDel I. Uppgift 1 Låt A och B vara två oberoende händelser. Det gäller att P (A) = 0.4 och att P (B) = 0.3. Bestäm P (B A ). Svar:...
Avd. Matematisk statistik EXEMPELTENTAMEN I SANNOLIKHETSTEORI OCH STATISTIK, Tillåtna hjälpmedel: Formel- och tabellsamling i Matematisk statistik (utdelas vid tentamen). Tentamen består av två delar,
Läs merAMatematiska institutionen avd matematisk statistik
Kungl Tekniska Högskolan AMatematiska institutionen avd matematisk statistik TENTAMEN I 5B1503 STATISTIK MED FÖRSÖKSPLANERING FÖR B OCH K FREDAGEN DEN 11 JANUARI 2002 KL 14.00 19.00. Examinator: Gunnar
Läs merTENTAMEN I STATISTIKENS GRUNDER 2
STOCKHOLMS UNIVERSITET Statistiska institutionen Michael Carlson HT2012 TENTAMEN I STATISTIKENS GRUNDER 2 2012-11-01 Skrivtid: kl 9.00-14.00 Godkända hjälpmedel: Miniräknare, språklexikon Bifogade hjälpmedel:
Läs merTentamen för kursen. Linjära statistiska modeller. 27 oktober
STOCKHOLMS UNIVERSITET MATEMATISK STATISTIK Tentamen för kursen Linjära statistiska modeller 27 oktober 2017 9 14 Examinator: Ola Hössjer, tel. 070/672 12 18, ola@math.su.se Återlämning: Meddelas via kurshemsida
Läs merTillåtna hjälpmedel: Räknedosa. Formel- och tabellsamling i matematisk statistik.
UPPSALA UNIVERSITET Matematiska institutionen Erik Broman, Jesper Rydén TENTAMEN I MATEMATISK STATISTIK Sannolikhet och statistik 1MS5 214-1-11 Skrivtid: 8.-13.. För betygen 3, 4 resp. 5 krävs 18, 25 resp.
Läs merTT091A, TVJ22A, NVJA02 Pu, Ti. 50 poäng
Matematisk statistik Provmoment: Ladokkod: Tentamen ges för: TT091A, TVJ22A, NVJA02 Pu, Ti 7,5 högskolepoäng Namn: (Ifylles av student) Personnummer: (Ifylles av student) Tentamensdatum: 2012-08-31 Tid:
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 merSTOCKHOLMS UNIVERSITET Statistiska institutionen Michael Carlson,
STOCKHOLMS UNIVERSITET Statistiska institutionen Michael Carlson, 5--9 Lösningförslag skriftlig hemtentamen i Fortsättningskurs i statistik, moment, Statistisk Teori, poäng. Deltentamen : Sannolikhetsteori
Läs merTAMS65 - Föreläsning 2 Parameterskattningar - olika metoder
TAMS65 - Föreläsning 2 Parameterskattningar - olika metoder Martin Singull Matematisk statistik Matematiska institutionen Innehåll Fö2 Punktskattningar Egenskaper Väntevärdesriktig Effektiv Konsistent
Läs mer0 om x < 0, F X (x) = x. 3 om 0 x 1, 1 om x > 1.
Avd. Matematisk statistik TENTAMEN I SF9, SF95 SANNOLIKHETSTEORI OCH STATISTIK, MÅNDAGEN DEN 2:E JANUARI 25 KL 4. 9.. Kursledare: Gunnar Englund, 73 32 37 45 Tillåtna hjälpmedel: Formel- och tabellsamling
Läs mer4.3 Stokastiska variabler (slumpmässiga variabler) 4.4 Väntevärde och varians till stokastiska variabler
Föreläsning 2 4.3 Stokastiska variabler (slumpmässiga variabler) 4.4 Väntevärde och varians till stokastiska variabler Stokastiskavariabler Stokastisk variabel (eng: random variable) En variabel vars värde
Läs merVarför statistik? det finns inga dumma frågor, bara dumma svar! Serik Sagitov
Summer Science Camp, Tjärnö, 8 August 2012 Varför statistik? Serik Sagitov http://www.math.chalmers.se/ serik/ Avdelningen för matematisk statistik Matematiska Vetenskaper Chalmers Tekniska Högskola och
Läs merFöreläsning 12: Linjär regression
Föreläsning 12: Linjär regression Matematisk statistik Chalmers University of Technology Oktober 4, 2017 Exempel Vi vill undersöka hur ett ämnes specifika värmeskapacitet (ämnets förmåga att magasinera
Läs merAvd. Matematisk statistik
Avd. Matematisk statistik TENTAMEN I SF1902 SANNOLIKHETSTEORI OCH STATISTIK MÅNDAGEN DEN 15:E AUGUSTI 201 KL 8.00 13.00. Kursledare och examinator : Björn-Olof Skytt, tel 790 849. Tillåtna hjälpmedel:
Läs merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik David Bolin Chalmers University of Technology April 7, 2014 Projektuppgift Projektet går ut på att genomföra ett statistiskt försök och analysera resultaten.
Läs merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE31 Sannolikhet, statistik och risk 218-1-12 kl. 8:3-13:3 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Olof Elias, telefon: 31-7725325 Hjälpmedel: Valfri miniräknare.
Läs merTMS136. Föreläsning 13
TMS136 Föreläsning 13 Jämförelser mellan två populationer Hittills har vi gjort konfidensintervall och tester kring parametrar i EN population I praktiska sammanhang är man ofta intresserad av att jämföra
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 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 merFÖRELÄSNING 7:
FÖRELÄSNING 7: 2016-05-10 LÄRANDEMÅL Normalfördelningen Standardnormalfördelning Centrala gränsvärdessatsen Konfidensintervall Konfidensnivå Konfidensintervall för väntevärdet då variansen är känd Samla
Läs merS0005M, Föreläsning 2
S0005M, Föreläsning 2 Mykola Shykula LTU Mykola Shykula (LTU) S0005M, Föreläsning 2 1 / 18 Föreläsning 2 4.3 Stokastiska variabler (slumpmässiga variabler) 4.4 Väntevärde och varians till stokastiska variabler
Läs mer