Föreläsning G70 Statistik A

Storlek: px
Starta visningen från sidan:

Download "Föreläsning G70 Statistik A"

Transkript

1 Föreläsning 2 732G70 Statistik A

2 Introduktion till sannolikhetslära Sannolikhetslära: område inom statistiken där vi studerar experiment vars utfall beror av slumpen Sannolikhet: numeriskt värde (mellan 0 och 1) som talar om för oss hur troligt det är att händelsen vi studerar ska inträffa Regler för sannolikheter: 1. En sannolikhet ligger alltid mellan 0 och 1 2. Sannolikheten för alla disjunkta händelser som ingår i utfallsrummet kommer tillsammans att summera till 1 3. Om vi vet att sannolikheten för händelsen A är Pr(A), så är sannolikheten för att A inte ska inträffa 1 Pr(A) 2

3 Relativ frekvens Relativ frekvens Tärningskast

4 Additionssatsen för disjunkta händelser För två händelser A och B som är disjunkta, så gäller att sannolikheten för att A eller B ska inträffa är Pr( A B) Låt A = händelsen att enheten tillhör gruppen för stora B = händelsen att enheten tillhör gruppen för små Pr(A) = 0.05 Pr(B) = 0.15 Pr( A) Pr( B) Bland enheterna som produceras vid ett löpande band klassificeras 5 procent som för stora, 80 procent som lagom och 15 procent som för små. Slumpmässigt väljs en enhet ur produktionen. Bestäm sannolikheten för att den utvalda enheten är för stor eller för liten. Pr( A B) Pr( A) Pr( B)

5 Additionssatsen för icke disjunkta händelser För två händelser A och B som inte är disjunkta, så gäller att sannolikheten för att A eller B ska inträffa är Pr( A B) Pr( A) Pr( B) Pr( A B) En viss febersjukdom kan ge flera sidobesvär, i följande omfattning hos de drabbade: Besvär Eksem 7% Halsont 10% Både eksem och halsont 2% Relativ frekvens Vad är sannolikheten för att en person som drabbats av febersjukdomen får antingen eksem eller halsont? 5

6 Multiplikationssatsen för oberoende händelser Vad är sannolikheten att både händelserna A och B ska inträffa? Givet att A och B är oberoende gäller att Pr( A B) Vi definierar A = händelsen att första kastet ger krona B = händelsen att andra kastet ger krona Pr(A) = Pr(B) = 0.5 Pr( A) Pr( B) Vi singlar slant två gånger. Vad är sannolikheten för två krona i rad? Pr( A B) Pr( A) Pr( B)

7 Betingad sannolikhet Sannolikheten för att händelsen A ska inträffa givet att händelsen B redan inträffat beräknas Pr( A B) Pr( A B) Pr( B) Exempel : Man drar ett slumpmässigt urval av medlemmar ur en stor politiskt oberoende organisation, och frågar dels om kön, dels om politisk tillhörighet (vänster eller höger). Kön Vänster Höger Totalt Kvinna Man Totalt Vad är sannolikheten för att en slumpmässigt vald person är kvinna, om vi vet att personen sympatiserar med högerblocket? Om Pr(A B) = Pr(A) eller Pr(B A) = Pr(B) så är händelserna A och B oberoende 7

8 Multiplikationssatsen för beroende händelser Vad är sannolikheten att både händelserna A och B ska inträffa? Om A och B är beroende gäller att Pr Låt A B PrA PrB A PrB PrA B PrB A En skål innehåller 10 röda och 5 blå kulor. Vi väljer slumpmässigt och utan återläggning 2 kulor. Vad är sannolikheten för att bägge är blå? A = händelsen att den första utvalda kulan är blå B = händelsen att den andra utvalda kulan är blå Pr Pr 5 15 A PrB A A B PrA PrB A Sannolikheten för att den andra utvalda kulan är blå, givet att den första var blå 8

9 Exempel Efter stängning en börsdag på den svenska börsen kan generalindex ha stigit, varit oförändrat eller sjunkit. Det finns ett starkt samband med NASDAQ-börsens generalindex: om den samma dag (men NASDAQ-börsen stänger tidigare) har stigit, varit oförändrad eller sjunkit så är chansen stor att samma sak händer på den svenska börsen. Man studerar börskurserna under en längre tid och beräknar då följande. Stigit 0.6 Oförändrat 0.2 Sjunkit 0.2 Andel dagar NASDAQ:s generalindex Man kartlägger även sannolikheten för att svenska generalindex ska stiga givet hur det gått på NASDAQ samma dag, och sammanställer följande. NASDAQ stigit 0.75 NASDAQ oförändrat 0.15 NASDAQ sjunkit 0.10 Sannolikhet för att svenskt generalindex stigit givet att Vi studerar en slumpmässigt vald dag. Vad är sannolikheten för att det svenska generalindex stigit den dagen? 9

10 Satsen om total sannolikhet Om A 1,, A g är g parvis disjunkta händelser, vars union bildar hela utfallsrummet, är sannolikheten för händelsen B Pr g B PrAi PrB A i i1 10

11 Bayes sats Exempel (fortsättning): En viss dag har det svenska generalindex stigit. Vad är sannolikheten för att NASDAQ:s generalindex stigit samma dag? Om A 1,, A g är g parvis disjunkta händelser vars union bildar hela utfallsrummet gäller att sannolikheten för händelsen A j givet att händelsen B inträffat är Pr A j B g Pr i1 A PrB A Pr j A PrB A i j i 11

12 Kapitel 4 Sannolikhetsfördelningar Sid

13 Slumpvariabel En variabel för vilken slumpen bestämmer hur ofta respektive värde i utfallsrummet antas. Slantsingling, tärningskast, längden på en slumpmässigt utvald person Väntevärde: Varians: E X x px Var g i1 i g i X px x x px i1 i i g i1 i i 2 Standardavvikelse: Var 2 X 13

14 Exempel Vinstplanen för en normalserie om 16 miljoner Trisslotter ser ut på följande sätt. Vinst (kr) Antal Vinst (kr) Antal

15 Linjära variabeltransformationer Låt X vara en variabel med väntevärde E(X) och standardavvikelse σ X och låt en annan variabel Y a b X Då gäller att E Y Y Ea b X a b X Y Var a b X b Var Y X Växelkursen mellan kronor och euro var under ett visst år i genomsnitt 0.11 euro/krona med en standardavvikelse om 0.05 euro/krona. Ett visst växlingskontor tar en rörlig avgift om 5 procent av växlingsbeloppet. Beräkna väntevärde och standardavvikelse för växelkursen mellan kronor och euro hos det aktuella växlingskontoret. 15

16 Sannolikhetsfördelning Sammanställning av vilka värden en slumpvariabel kan anta och hur ofta respektive värde antas. Genom att på teoretisk väg eller genom att studera ett stickprovs fördelning för en variabel kan vi härleda variabeln till att tillhöra en viss sannolikhetsfördelning. Detta möjliggör annars mycket komplicerade sannolikhetsberäkningar vilket i sin tur ger möjlighet att dra slutsatser om populationen som stickprovet dragits ur. Diskret sannolikhetsfördelning: när slumpvariabeln endast kan anta heltalsvärden Kontinuerlig sannolikhetsfördelning: när slumpvariabeln kan mätas med flera decimalers noggrannhet 16

17 Diskret sannolikhetsfördelning Diskreta sannolikhetsfördelningar är sannolikhetsfördelningar för variabler som endast kan anta heltalsvärden. De vanligaste diskreta sannolikhetsfördelningarna är uppbyggda av ett eller flera delförsök och för varje delförsök studerar vi om experimentet har lyckats eller inte. Varje delförsök sägs följa Bernoullifördelningen men man använder även beteckningen tvåpunktsfördelning eller säger att utfallet av varje delförsök är binärt. Innebörden är att varje delförsök endast kan anta ett av två möjliga värden (lyckat eller misslyckat delförsök). Vi definierar händelsen A = sex ögon upp vid tärningskast och kastar en tärning. Varje tärningskast är då ett delförsök som antingen kan lyckas (sex ögon upp) eller inte lyckas (ej sex ögon upp) och kan därmed betraktas som Bernoullifördelat. 17

18 Binomialfördelning Grobarheten hos en viss typ av frön är 60%. Vi planterar 5 frön under samma förutsättningar och frågar oss: vad är sannolikheten för att två av fröna gror? Låt X vara en slumpvariabel. Givet att följande krav är uppfyllda: 1. alla delförsök är oberoende av varandra 2. varje delförsök är Bernoullifördelat gäller att X är binomialfördelad enligt X ~ bin(n; π) Sannolikheten för k lyckade utfall bland n beräknas då enligt n k n Pr( X k) 1 k k Beskrivande mått för en binomialfördelad slumpvariabel: E 2 X n Var X n 1 18

19 Hypergeometrisk fördelning Erfarenhetsmässigt vet administratören vid en arbetsplats med 30 anställda att 60% av de som anmäler sig till ett möte dyker upp och vill ha fika. Till ett visst möte anmäler sig 5 personer. Vad är sannolikheten för att det räcker för administratören att beställa fika till 2 personer? Givet att 1. varje delförsök är Bernoullifördelat 2. stickprovet dras utan återläggning och utgör mer än 10% av populationen gäller att slumpvariabeln X är hypergeometriskt fördelad enligt X ~ hyp(n; π; N) Sannolikheten för k lyckade utfall bland n beräknas då enligt Pr X k N k N n N n N k Beskrivande mått: E X n Var 2 X n 1 N n N 1 19

20 Poissonfördelning Underlättar beräkning av sannolikheten för k lyckade utfall bland n för en binomialfördelad slumpvariabel X när n är stort (minst 20) och π är litet (mindre än 0.05). X ~ poi(µ) där µ = nπ Sannolikheten för k lyckade utfall bland n beräknas enligt Pr( X k) k k! e Enligt SCB:s statistik fanns det den 24 oktober personer i Sverige med efternamnet Gustafsson. Vid samma tidpunkt var antalet svenska medborgare personer. Vi drar ett OSU om 1000 personer ur befolkningsregistret. Vad är sannolikheten för att minst 2 av dessa heter Gustafsson i efternamn? Beskrivande mått: E X n Var X 2 n 20

21 Geometrisk fördelning En person singlar slant, tills hon första gången får krona. Ställ upp sannolikhetsfördelningen för detta experiment för de första 3 slantsinglingarna. Givet att 1. alla delförsök är oberoende av varandra 2. varje delförsök är Bernoullifördelat är slumpvariabeln X geometriskt fördelad enligt X ~ geo(π) Sannolikheten för att försöket lyckas vid delförsök k bestäms enligt Pr( X k) k1 1 Beskrivande mått: E Var X X Kraven är desamma vid binomialfördelning och geometrisk fördelning, men frågeställningarna olika! 21

Föreläsning G70, 732G01 Statistik A

Föreläsning G70, 732G01 Statistik A Föreläsning 3 732G70, 732G01 Statistik A Introduktion till sannolikhetslära Sannolikhetslära: område inom statistiken där vi studerar experiment vars utfall beror av slumpen Sannolikhet: numeriskt värde

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

Föreläsning G60 Statistiska metoder

Föreläsning G60 Statistiska metoder Föreläsning 4 Statistiska metoder 1 Dagens föreläsning o Sannolikhet Vad är sannolikhet? o Slumpvariabel o Sannolikhetsfördelningar Binomialfördelning Normalfördelning o Stickprov och population o Centrala

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

Statistik 1 för biologer, logopeder och psykologer

Statistik 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 mer

Kap 3: Diskreta fördelningar

Kap 3: Diskreta fördelningar Kap 3: Diskreta fördelningar Sannolikhetsfördelningar Slumpvariabler Fördelningsfunktion Diskreta fördelningar Likformiga fördelningen Binomialfördelningen Hypergeometriska fördelningen Poisson fördelningen

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

F6 STOKASTISKA VARIABLER (NCT ) Används som modell i situation av följande slag: Slh för A är densamma varje gång, P(A) = P.

F6 STOKASTISKA VARIABLER (NCT ) Används som modell i situation av följande slag: Slh för A är densamma varje gång, P(A) = P. Stat. teori gk, ht 2006, JW F6 STOKASTISKA VARIABLER (NCT 5.4-5.6) Binomialfördelningen Används som modell i situation av följande slag: Ett slumpförsök upprepas n gånger (oberoende upprepningar). Varje

Läs mer

SOS HT Slumpvariabler Diskreta slumpvariabler Binomialfördelning. Sannolikhetsfunktion. Slumpförsök.

SOS HT Slumpvariabler Diskreta slumpvariabler Binomialfördelning. Sannolikhetsfunktion. Slumpförsök. Probability 21-9-24 SOS HT1 Slumpvariabler Slumpvariabler Ett slumpmässigt försök ger ofta upphov till ett tal som bestäms av utfallet av försöket. Talet är alltså inte känt före försöket; det bestäms

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

Veckoblad 3. Kapitel 3 i Matematisk statistik, Blomqvist U.

Veckoblad 3. Kapitel 3 i Matematisk statistik, Blomqvist U. Veckoblad 3 Kapitel 3 i Matematisk statistik, Blomqvist U. ya begrepp: likformig fördelning, hypergeometerisk fördelning, Hyp(, n, p), binomialfördelningen, Bin(n, p), och Poissonfördelningen, Po(λ). Standardfördelningarna

Läs mer

Finansiell Statistik (GN, 7,5 hp, HT 2008) Föreläsning 2

Finansiell Statistik (GN, 7,5 hp, HT 2008) Föreläsning 2 Finansiell Statistik (GN, 7,5 hp, HT 008) Föreläsning Diskreta sannolikhetsfördelningar (LLL kap. 6) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics (Basic-level

Läs mer

Kap 6: Normalfördelningen. Normalfördelningen Normalfördelningen som approximation till binomialfördelningen

Kap 6: Normalfördelningen. Normalfördelningen Normalfördelningen som approximation till binomialfördelningen Kap 6: Normalfördelningen Normalfördelningen Normalfördelningen som approximation till binomialfördelningen σ μ 1 Sats 6 A Om vi ändrar läge och/eller skala på en normalfördelning så har vi fortfarande

Läs mer

Statistisk slutledning (statistisk inferens): Sannolikhetslära: GRUNDLÄGGANDE SANNOLIKHETSLÄRA. Med utgångspunkt från ett stickprov

Statistisk slutledning (statistisk inferens): Sannolikhetslära: GRUNDLÄGGANDE SANNOLIKHETSLÄRA. Med utgångspunkt från ett stickprov OSÄKERHET Sannolikhetslära: Om det i ett område finns 32 % med universitetsexamen, vad är sannolikheten att ett stickprov kommer att innehålla 31-33 % med universitetsexamen? Om medelåldern i en population

Läs mer

F9 SAMPLINGFÖRDELNINGAR (NCT

F9 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 mer

Kap 2: Några grundläggande begrepp

Kap 2: Några grundläggande begrepp Kap 2: Några grundläggande begrepp Varför sannolikhetslära är viktigt? Vad menar vi med sannolikhetslära? Träddiagram? Vad är den klassiska, empiriska och subjektiva sannolikheten? Vad menar vi med de

Läs mer

F5 STOKASTISKA VARIABLER (NCT , samt del av 5.4)

F5 STOKASTISKA VARIABLER (NCT , samt del av 5.4) Stat. teori gk, ht 006, JW F5 STOKASTISKA VARIABLER (NCT 5.1-5.3, samt del av 5.4) Ordlista till NCT Random variable Discrete Continuous Probability distribution Probability distribution function Cumulative

Läs mer

Satsen om total sannolikhet och Bayes sats

Satsen om total sannolikhet och Bayes sats Satsen om total sannolikhet och Bayes sats Satsen om total sannolikhet Ibland är det svårt att direkt räkna ut en sannolikhet pga att händelsen är komplicerad/komplex. Då kan man ofta använda satsen om

Läs mer

1 Mätdata och statistik

1 Mätdata och statistik Matematikcentrum Matematik NF Mätdata och statistik Betrakta frågeställningen Hur mycket väger en nyfödd bebis?. Frågan verkar naturlig, men samtidigt mycket svår att besvara. För att ge ett fullständigt

Läs mer

Matematisk statistik - Slumpens matematik

Matematisk statistik - Slumpens matematik Matematisk Statistik Matematisk statistik är slumpens matematik. Började som en beskrivning av spel, chansen att få olika utfall. Brevväxling mellan Fermat och Pascal 1654. Modern matematisk statistik

Läs mer

Tentamen i Statistik, STA A13 Deltentamen 1, 4p 12 november 2005, kl

Tentamen i Statistik, STA A13 Deltentamen 1, 4p 12 november 2005, kl Karlstads universitet Institutionen för informationsteknologi Avdelningen för statistik Tentamen i Statistik, STA A13 Deltentamen 1, 4p 1 november 005, kl. 09.00-13.00 Tillåtna hjälpmedel: Bifogad formel-

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

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I

MS-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 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

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I

MS-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 mer

SF1901: Sannolikhetslära och statistik

SF1901: Sannolikhetslära och statistik SF9: Sannolikhetslära och statistik Föreläsning 3. Stokastiska variabler, diskreta och kontinuerliga Jan Grandell & Timo Koski 25..26 Jan Grandell & Timo Koski Matematisk statistik 25..26 / 44 Stokastiska

Läs mer

Introduktion till sannolikhetslära. Människor talar om sannolikheter :

Introduktion till sannolikhetslära. Människor talar om sannolikheter : F9 Introduktion till sannolikhetslära Introduktion till sannolikhetslära Människor talar om sannolikheter : Sannolikheten att få sju rätt på Lotto Sannolikheten att få stege på en pokerhand Sannolikheten

Läs mer

F2 Introduktion. Sannolikheter Standardavvikelse Normalapproximation Sammanfattning Minitab. F2 Introduktion

F2 Introduktion. Sannolikheter Standardavvikelse Normalapproximation Sammanfattning Minitab. F2 Introduktion Gnuer i skyddade/oskyddade områden, binära utfall och binomialfördelningar Matematik och statistik för biologer, 10 hp Fredrik Jonsson Januari 2012 I vissa områden i Afrika har man observerat att förekomsten

Läs mer

Tentamen i Statistik, STA A10 och STA A13 (9 poäng) Måndag 14 maj 2007, Kl

Tentamen i Statistik, STA A10 och STA A13 (9 poäng) Måndag 14 maj 2007, Kl Karlstads universitet Avdelningen för nationalekonomi och statistik Tentamen i Statistik, STA A10 och STA A13 (9 poäng) Måndag 14 maj 2007, Kl 08.15-13.15 Tillåtna hjälpmedel: Bifogad formelsamling, approximationsschema

Läs mer

Några extra övningsuppgifter i Statistisk teori

Några 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 mer

Kolmogorovs Axiomsystem Kolmogorovs Axiomsystem Varje händelse A tilldelas ett tal : slh att A inträar Sannolikheten måste uppfylla vissa krav: Kolmog

Kolmogorovs Axiomsystem Kolmogorovs Axiomsystem Varje händelse A tilldelas ett tal : slh att A inträar Sannolikheten måste uppfylla vissa krav: Kolmog Slumpvariabel (Stokastisk variabel) Resultat av ett slumpförsök - utgången kann inte kontrolleras Sannolikhet och statistik Sannolikhetsteorins grunder VT 2009 Resultatet kan inte förutspås, men vi vet

Läs mer

TMS136. Föreläsning 1

TMS136. Föreläsning 1 TMS136 Föreläsning 1 Varför? Om vi gör mätningar vill vi kunna modellera och kvantifiera de osäkerheter som obönhörligen finns Om vi handlar med värdepapper vill kunna modellera och kvantifiera de risker

Läs mer

Tentamen 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 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 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

Utfall, Utfallsrummet, Händelse. Sannolikhet och statistik. Utfall, Utfallsrummet, Händelse. Utfall, Utfallsrummet, Händelse

Utfall, Utfallsrummet, Händelse. Sannolikhet och statistik. Utfall, Utfallsrummet, Händelse. Utfall, Utfallsrummet, Händelse Utfall, Utfallsrummet, Händelse Sannolikhet och statistik Sannolikhetsteorins grunder HT 2008 Uwe.Menzel@math.uu.se http://www.math.uu.se/ uwe/ Denition 2.1 Resultatet av ett slumpmässigt försök kallas

Läs mer

Tabell- och formelsamling. A4 Grundläggande Statistik A8 Statistik för ekonomer

Tabell- och formelsamling. A4 Grundläggande Statistik A8 Statistik för ekonomer Tabell- och formelsamling A4 Grundläggande Statistik A8 Statistik för ekonomer Observera att inga anteckningar får finnas i formelsamlingen vid tentamenstillfället Thommy Perlinger 17 september 2015 Innehåll

Läs mer

4.2.1 Binomialfördelning

4.2.1 Binomialfördelning Ex. Kasta en tärning. 1. Vad är sannolikheten att få en 6:a? 2. Vad är sannolikheten att inte få en 6:a? 3. Vad är sannolikheten att få en 5:a eller 6:a? 4. Om vi kastar två gånger, vad är då sannolikheten

Läs mer

Föreläsning 4. Kapitel 5, sid Stickprovsteori

Föreläsning 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 mer

Föreläsning 1, Matematisk statistik Π + E

Föreläsning 1, Matematisk statistik Π + E Introduktion Sannolikhetsteori Beroende Föreläsning 1, Matematisk statistik Π + E Sören Vang Andersen 4 november 2014 Sören Vang Andersen - sva@maths.lth.se FMS012 F1 1/26 Introduktion Sannolikhetsteori

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

Kapitel 5 Multivariata sannolikhetsfördelningar

Kapitel 5 Multivariata sannolikhetsfördelningar Sannolikhetslära och inferens II Kapitel 5 Multivariata sannolikhetsfördelningar 1 Multivariata sannolikhetsfördelningar En slumpvariabel som, när slumpförsöket utförs, antar exakt ett värde sägs vara

Läs mer

Statistik. Det finns tre sorters lögner: lögn, förbannad lögn och statistik

Statistik. Det finns tre sorters lögner: lögn, förbannad lögn och statistik Statistik Statistik betyder ungefär sifferkunskap om staten Statistik är en gren inom tillämpad matematik som sysslar med insamling, utvärdering, analys och presentation av data eller information. Verkligheten

Läs mer

Sannolikhetslära. 19 februari 2009. Vad är sannolikheten att vinna om jag köper en lott?

Sannolikhetslära. 19 februari 2009. Vad är sannolikheten att vinna om jag köper en lott? Sannolikhetslära 19 februari 009 Vad är en sannolikhet? I vardagen: Vad är sannolikheten att vinna om jag köper en lott? Borde jag ta paraply med mig till jobbet idag? Vad är sannolikheten att det kommer

Läs mer

Kapitel 7 Samplingfördelningar och Centrala gränsvärdessatsen

Kapitel 7 Samplingfördelningar och Centrala gränsvärdessatsen Sannolikhetslära och inferens II Kapitel 7 Samplingfördelningar och Centrala gränsvärdessatsen 1 Statistikor och samplingfördelningar I Kapitel 6 studerades metoder för att bestämma sannolikhetsfördelningen

Läs mer

Kapitel 2. Grundläggande sannolikhetslära

Kapitel 2. Grundläggande sannolikhetslära Sannolikhetslära och inferens II Kapitel 2 Grundläggande sannolikhetslära 1 Att beräkna en sannolikhet I många slumpförsök gäller att alla utfall i S är lika sannolika. Exempel: Tärningskast, slantsingling.

Läs mer

Diskreta slumpvariabler

Diskreta slumpvariabler 1/20 Diskreta slumpvariabler Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 28/1 2013 2/20 Dagens föreläsning En maskin gör fel ibland! En man berättar att han har minst en

Läs mer

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Exempel, del I

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Exempel, del I MS-A Grundkurs i sannolikhetskalkyl och statistik Exempel, del I G Gripenberg Aalto-universitetet januari G Gripenberg (Aalto-universitetet) MS-A Grundkurs i sannolikhetskalkyl och statistikexempel, del

Läs mer

Formel- och tabellsamling i matematisk statistik

Formel- 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 mer

BIOSTATISTISK GRUNDKURS, MASB11, VT-16, VT2 ÖVNING 3, OCH INFÖR ÖVNING 4

BIOSTATISTISK 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 mer

F2 SANNOLIKHETSLÄRA (NCT )

F2 SANNOLIKHETSLÄRA (NCT ) Stat. teori gk, ht 2006, JW F2 SANNOLIKHETSLÄRA (NCT 4.1-4.2) Ordlista till NCT Random experiment Outcome Sample space Event Set Subset Union Intersection Complement Mutually exclusive Collectively exhaustive

Läs mer

4. Stokastiska variabler

4. Stokastiska variabler 4. Stokastiska variabler En stokastisk variabel (s.v.) är en funktion som definieras i utfallsrummet. Varje stokastisk variabel har en viss sannolikhetsstruktur. Ex: Man kastar två tärningar. Låt X = summan

Läs mer

Föreläsning 6, Repetition Sannolikhetslära

Föreläsning 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 mer

Kapitel 2. Grundläggande sannolikhetslära

Kapitel 2. Grundläggande sannolikhetslära Sannolikhetslära och inferens II Kapitel 2 Grundläggande sannolikhetslära 1 Kursinformation 13 föreläsningar: Måns Thulin, mans.thulin@statistik.uu.se 3 h: normalt 2 h föreläsning + 1 h räknestuga 7 räkneövningar:

Läs mer

Föreläsning 1, Matematisk statistik för M

Föreläsning 1, Matematisk statistik för M Föreläsning 1, Matematisk statistik för M Erik Lindström 23 mars 2015 Erik Lindström - erikl@maths.lth.se FMS035 F1 1/30 Tillämpningar Praktiska detaljer Matematisk statistik slumpens matematik Sannolikhetsteori:

Läs mer

händelsen som alltid inträffar. Den tomma mängden representerar händelsen som aldrig inträffar.

händelsen som alltid inträffar. Den tomma mängden representerar händelsen som aldrig inträffar. Marco Kuhlmann Detta är en kompakt sammanfattning av momentet sannolikhetslära som ingår i kurserna Matematik 1b och 1c på gymnasiet. 1 Grundläggande begrepp 1.01 När vi singlar slant eller kastar tärning

Läs mer

Rättningstiden är i normalfall 15 arbetsdagar, till detta tillkommer upp till 5 arbetsdagar för administration, annars är det detta datum som gäller:

Rättningstiden 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 mer

Matematisk statistik 9 hp för I, Pi, C, D och fysiker Föreläsning 1: Introduktion och Sannolikhet

Matematisk statistik 9 hp för I, Pi, C, D och fysiker Föreläsning 1: Introduktion och Sannolikhet Matematisk statistik 9 hp för I, Pi, C, D och fysiker Föreläsning 1: Introduktion och Sannolikhet Anna Lindgren 30+31 augusti 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F1: Sannolikhet 1/27 Praktiska

Läs mer

Föreläsning 2, Matematisk statistik för M

Föreläsning 2, Matematisk statistik för M Repetition Stok. Var. Diskret Kont. Fördelningsfnk. Föreläsning 2, Matematisk statistik för M Erik Lindström 25 mars 2015 Erik Lindström - erikl@maths.lth.se FMS012 F2 1/16 Repetition Stok. Var. Diskret

Läs mer

Lotto. Singla slant. Vanliga missuppfattningar vad gäller slumpen. Slumpen och hur vi uppfattar den - med och utan tärning

Lotto. Singla slant. Vanliga missuppfattningar vad gäller slumpen. Slumpen och hur vi uppfattar den - med och utan tärning Slumpen och hur vi uppfattar den - med och utan tärning Ingemar Holgersson Högskolan Kristianstad grupper elever Gr, 7, 9 och. grupp lärarstudenter inriktning matematik Ca i varje grupp Gjord i Israel

Läs mer

Samplingfördelningar 1

Samplingfördelningar 1 Samplingfördelningar 1 Parametrar och statistikor En parameter är en konstant som karakteriserar en population eller en modell. Exempel: Populationsmedelvärdet Parametern p i binomialfördelningen 2 Vi

Läs mer

Tentamen i Statistik, STA A13 (4 poäng) Lördag 11 november 2006, Kl

Tentamen i Statistik, STA A13 (4 poäng) Lördag 11 november 2006, Kl Tentamen i Statistik, STA A13 ( poäng) Lördag 11 november 00, Kl 09.00-13.00 Tillåtna hjälpmedel: Bifogad formelsamling, approximationsschema och tabellsamling (dessa skall returneras). Egen miniräknare.

Läs mer

4.3 Stokastiska variabler (slumpmässiga variabler) 4.4 Väntevärde och varians till stokastiska variabler

4.3 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 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

Repetition och förberedelse. Sannolikhet och sta.s.k (1MS005)

Repetition och förberedelse. Sannolikhet och sta.s.k (1MS005) Repetition och förberedelse Sannolikhet och sta.s.k (1MS005) Formellsamling och teori Nästa varje ekva.on som vi använder under kursen finns I samlingen. Tricket i examen är hica räc metod/fördelning.ll

Läs mer

TMS136. Föreläsning 1

TMS136. Föreläsning 1 TMS136 Föreläsning 1 Varför? Om vi gör mätningar vill vi modellera och kvantifiera de osäkerheter som obönhörligen finns Om vi handlar med värdepapper vill vi modellera och kvantifiera de risker som finns

Läs mer

Föreläsning 4. NDAB01 Statistik; teori och tillämpning i biologi

Föreläsning 4. NDAB01 Statistik; teori och tillämpning i biologi Föreläsning 4 Statistik; teori och tillämpning i biologi 1 Dagens föreläsning o Icke-parametriska test Mann-Whitneys test (kap 8.10 8.11) Wilcoxons test (kap 9.5) o Transformationer (kap 13) o Ev. Andelar

Läs mer

Tentamen i Statistik, STA A10 och STA A13 (9 poäng) Fredag 8 december 2006, Kl

Tentamen i Statistik, STA A10 och STA A13 (9 poäng) Fredag 8 december 2006, Kl Tentamen i Statistik, STA A10 och STA A13 (9 poäng) Fredag 8 december 2006, Kl 08.15-13.15 Tillåtna hjälpmedel: Bifogad formelsamling, approximationsschema och tabellsamling (dessa skall returneras). Egen

Läs mer

Föreläsning 1. NDAB02 Statistik; teori och tillämpning i biologi

Föreläsning 1. NDAB02 Statistik; teori och tillämpning i biologi Föreläsning 1 Statistik; teori och tillämpning i biologi 1 Kursens uppbyggnad 9 föreläsningar Föreläsningsunderlag läggs ut på kurshemsidan 5 lektioner Uppgifter från kursboken enligt planering 5 laborationer

Läs mer

Tentamen i Matematisk Statistik, 7.5 hp

Tentamen 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 mer

Exempel för diskreta och kontinuerliga stokastiska variabler

Exempel för diskreta och kontinuerliga stokastiska variabler Stokastisk variabel ( slumpvariabel) Sannolikhet och statistik Stokastiska variabler HT 2008 Uwe.Menzel@math.uu.se http://www.math.uu.se/ uwe/ Stokastisk variabel, slumpvariabel (s.v.): Funktion: Resultat

Läs mer

Sannolikhetsbegreppet

Sannolikhetsbegreppet Kapitel 3 Sannolikhetsbegreppet Betrakta följande försök: Ett symmetriskt mynt kastas 100 gånger och antalet krona observeras. Antal kast 10 20 30 40 50 60 70 80 90 100 Antal krona 6 12 16 21 25 30 34

Läs mer

Slumpförsök för åk 1-3

Slumpförsök för åk 1-3 Modul: Sannolikhet och statistik Del 3: Att utmana elevers resonemang om slump Slumpförsök för åk 1-3 Cecilia Kilhamn, Göteborgs Universitet Andreas Eckert, Linnéuniversitetet I följande text beskrivs

Läs mer

Resultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.).

Resultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.). STOKASTISKA VARIABLER Resultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.). Definition 1. En reellvärld funktion definierad på ett utfallsrum Ω kallas en (endimensionell)

Läs mer

732G01/732G40 Grundläggande statistik (7.5hp)

732G01/732G40 Grundläggande statistik (7.5hp) 732G01/732G40 Grundläggande statistik (7.5hp) 2 Grundläggande statistik, 7.5 hp Mål: Kursens mål är att den studerande ska tillägna sig en översikt över centrala begrepp och betraktelsesätt inom statistik.

Läs mer

SF1901: Sannolikhetslära och statistik

SF1901: Sannolikhetslära och statistik SF1901: Sannolikhetslära och statistik Föreläsning 8. Approximationer av sannolikhetsfördelningar Jan Grandell & Timo Koski 11.02.2016 Jan Grandell & Timo Koski Matematisk statistik 11.02.2016 1 / 40 Centrala

Läs mer

Statistikens grunder HT, dagtid Statistiska institutionen

Statistikens grunder HT, dagtid Statistiska institutionen Statistikens grunder 1 2013 HT, dagtid Statistiska institutionen Orsak och verkan N Kap 2 forts. Annat ord: kausalitet Något av det viktigaste för varje vetenskap. Varför? Orsakssamband ger oss möjlighet

Läs mer

SF1901: Sannolikhetslära och statistik. Väntevärde; Väntevärde för funktioner av s.v:er; Varians; Tjebysjovs olikhet. Jan Grandell & Timo Koski

SF1901: Sannolikhetslära och statistik. Väntevärde; Väntevärde för funktioner av s.v:er; Varians; Tjebysjovs olikhet. Jan Grandell & Timo Koski SF1901: Sannolikhetslära och statistik Föreläsning 5. Väntevärde; Väntevärde för funktioner av s.v:er; Varians; Tjebysjovs olikhet. Jan Grandell & Timo Koski 28.01.2015 Jan Grandell & Timo Koski () Matematisk

Läs 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

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

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning och exempel, del I

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning och exempel, del I MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning och exempel, del I G. Gripenberg Aalto-universitetet 13 februari 2015 G. Gripenberg (Aalto-universitetet) MS-A0509 Grundkurs i sannolikhetskalkyl

Läs mer

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning och exempel, del I

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning och exempel, del I MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning och exempel, del I G. Gripenberg Aalto-universitetet 13 februari 2015 G. Gripenberg (Aalto-universitetet) MS-A0509 Grundkurs i sannolikhetskalkyl

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

Föreläsning 11. Slumpvandring och Brownsk Rörelse. Patrik Zetterberg. 11 januari 2013

Föreläsning 11. Slumpvandring och Brownsk Rörelse. Patrik Zetterberg. 11 januari 2013 Föreläsning 11 Slumpvandring och Brownsk Rörelse Patrik Zetterberg 11 januari 2013 1 / 1 Stokastiska Processer Vi har tidigare sett exempel på olika stokastiska processer: ARIMA - Kontinuerlig process

Läs mer

Tentamen i Statistik, STA A10 samt STA A13 9p 24 augusti 2005, kl

Tentamen i Statistik, STA A10 samt STA A13 9p 24 augusti 2005, kl Karlstads universitet Institutionen för informationsteknologi Avdelningen för statistik Tentamen i Statistik, STA A0 samt STA A3 9p 4 augusti 005, kl. 08.5-3.5 Tillåtna hjälpmedel: Ansvarig lärare: Övrigt:

Läs mer

Formler och tabeller till kursen MSG830

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 mer

Något om sannolikheter, slumpvariabler och slumpmässiga urval

Något om sannolikheter, slumpvariabler och slumpmässiga urval LINKÖPINGS UNIVERSITET Matematiska institutionen Statistik Stig Danielsson 004-0-3 Något om sannolikheter, slumpvariabler och slumpmässiga urval 1. Inledning Observerade data innehåller ofta någon form

Läs mer

Tentamen i Statistik, STA A13 Deltentamen 1, 4p 27 mars 2004, kl

Tentamen i Statistik, STA A13 Deltentamen 1, 4p 27 mars 2004, kl Karlstads universitet Institutionen för informationsteknologi Avdelningen för statistik Tentamen i Statistik, STA A13 Deltentamen 1, 4p 7 mars 004, kl. 09.00-13.00 Tillåtna hjälpmedel: Ansvarig lärare:

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

TMS136. Föreläsning 2

TMS136. Föreläsning 2 TMS136 Föreläsning 2 Sannolikheter För en händelse E skriver vi sannolikheten att E inträffar som P(E) För en händelse E skriver vi sannolikheten att E inte inträffar som P(E ) Exempel Låt E vara händelsen

Läs mer

Tentamen i Statistik STG A01 (12 hp) Fredag 16 januari 2009, Kl 14.00-19.00

Tentamen i Statistik STG A01 (12 hp) Fredag 16 januari 2009, Kl 14.00-19.00 Tentamen i Statistik STG A01 (12 hp) Fredag 16 januari 2009, Kl 14.00-19.00 Tillåtna hjälpmedel: Bifogad formelsamling, tabellsamling (dessa skall returneras). Miniräknare. Ansvarig lärare: Jari Appelgren,

Läs mer

Välkommen till Matematik 3 för lärare!

Välkommen till Matematik 3 för lärare! Välkommen till Matematik 3 för lärare! Nu: Statistik för lärare + Linjär algebra + datorlabbar Antagen? Registrerad? För er som läser första ämnet nu (MAxx eller FYMA): Hållbar Utveckling med Människan

Läs mer

SF1901: Övningshäfte

SF1901: Övningshäfte SF1901: Övningshäfte 5 september 2013 Uppgifterna under rubriken Övning kommer att gås igenom under övningstillfällena. Uppgifterna under rubriken Hemtal är starkt rekommenderade och motsvarar nivån på

Läs mer

FÖRELÄSNING 8:

FÖRELÄSNING 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 mer

Betingad sannolikhet och oberoende händelser

Betingad sannolikhet och oberoende händelser Kapitel 5 Betingad sannolikhet och oberoende händelser Betrakta ett försök med ett ändligt utfallsrum Ω och en händelse A vid detta försök. Definitionsmässigt gäller att A Ω och försökets utfall ligger

Läs mer

Statistiska begrepp och metoder som används i Successivprincipen

Statistiska begrepp och metoder som används i Successivprincipen Statistiska begrepp och metoder som används i Successivprincipen Generellt har statistiska procedurer antingen varit överförenklade eller opraktiska för projektteamen. Resultatet blir inte trovärdigt i

Läs mer

BIOSTATISTISK GRUNDKURS, MASB11, VT-16, VT2 ÖVNING 1, OCH ÖVNING 2, SAMT INFÖR ÖVNING 3

BIOSTATISTISK GRUNDKURS, MASB11, VT-16, VT2 ÖVNING 1, OCH ÖVNING 2, SAMT INFÖR ÖVNING 3 LUNDS UNIVERSITET, MATEMATIKCENTRUM, MATEMATISK STATISTIK BIOSTATISTISK GRUNDKURS, MASB11, VT-16, VT2 ÖVNING 1, 2016-04-01 OCH ÖVNING 2, 2016-04-04 SAMT INFÖR ÖVNING 3 Övningarnas mål: Du ska förstå grundläggande

Läs mer

TT091A, TVJ22A, NVJA02 Pu, Ti. 50 poäng

TT091A, 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 mer

Planering Matematik II Period 3 VT Räkna själv! Gör detta före räkneövningen P1. 7, 17, 21, 37 P3. 29, 35, 39 P4. 1, 3, 7 P5.

Planering Matematik II Period 3 VT Räkna själv! Gör detta före räkneövningen P1. 7, 17, 21, 37 P3. 29, 35, 39 P4. 1, 3, 7 P5. Avsnitt 1, Inledning ( Adams P1,P3,P4, P5) Genomgång och repetition av grundläggande begrepp. Funktion, definitionsmängd, värdemängd. Intervall. Olikheter. Absolutbelopp. Styckvis definierade funktioner.

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

SF1901: Sannolikhetslära och statistik Föreläsning 2. Betingad sannolikhet & Oberoende

SF1901: Sannolikhetslära och statistik Föreläsning 2. Betingad sannolikhet & Oberoende SF1901: Sannolikhetslära och statistik Föreläsning 2. Betingad sannolikhet & Oberoende Jan Grandell & Timo Koski 14.01.2013 Jan Grandell & Timo Koski () Matematisk statistik 14.01.2013 1 / 25 Repetition:

Läs mer