Föreläsning 5. Funktioner av slumpvariabler. Ett centralt resultat.

Save this PDF as:
 WORD  PNG  TXT  JPG

Storlek: px
Starta visningen från sidan:

Download "Föreläsning 5. Funktioner av slumpvariabler. Ett centralt resultat."

Transkript

1 Föreläsning 5. Funktioner av slumpvariabler. Ett centralt resultat. Jesper Rydén Matematiska institutionen, Uppsala universitet 1MS008, 1MS777 vt 2016

2 Ytterligare begrepp Viktiga begrepp vid dagens föreläsning: Funktioner av slumpvariabler? Väntevärden och varianser för enklare funktioner av slumpvariabler Summor av oberoende variabler: specialfall för normal, binomial och Poisson. Centrala gränsvärdessatsen

3 Funktioner

4 Inledning I vissa sammanhang är flera slumpvariabler av intresse, och i synnerhet funktioner av dessa. Antag att vi studerar två slumpvariabler X 1 och X 2. Summan: Tillämpning: totalvärde etc. Differensen: Y = X 1 + X 2, Y = X 1 X 2 Tillämpning: Tillgång och efterfrågan, styrka och last Central fråga: Vad blir fördelningen för Y för olika kombinationer av fördelningar. Svar: I de flesta fall svårt att teckna! Specialfall studeras.

5 Exempel, diskreta slumpvariabler Tva ta rningar kastas. Bera kna fo rdelningen fo r Y = summan av antalet o gon. Mo jliga va rden pa Y : {2, 3, 4,..., 12} Bildka lla: lemerg.com

6 Exempel, forts. Utfallsrum samt tillhörande resultat för summan: (1,6) 7 (2,6) 8 (3,6) 9 (4,6) 10 (5,6) 11 (6,6) 12 (1,5) 6 (2,5) 7 (3,5) 8 (4,5) 9 (5,5) 10 (6,5) 11 (1,4) 5 (2,4) 6 (3,4) 7 (4,4) 8 (5,4) 9 (6,4) 10 (1,3) 4 (2,3) 5 (3,3) 6 (4,3) 7 (5,3) 8 (6,3) 9 (1,2) 3 (2,2) 4 (3,2) 5 (4,2) 6 (5,2) 7 (6,2) 8 (1,1) 2 (2,1) 3 (3,1) 4 (4,1) 5 (5,1) 6 (6,1) 7 Klassiska sannolikhetsdefinitionen ger sannolikhetsfunktionen p(y): y p(y) 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/ /36 2/36 1/36

7 Oberoende slumpvariabler Definition. Två slumpvariabler X 1 och X 2 kallas oberoende om P({X 1 A} {X 2 B}) = P(X 1 A)P(X 2 B) för alla mängder A och B. Kan generaliseras till flera slumpvariabler, X 1, X 2,..., X n. Jämför sannolikheter för oberoende händelser: P(A B) = P(A)P(B)

8 Väntevärden och varianser för linjärkombinationer

9 Räkneregler för väntevärden och varianser Betrakta slumpvariablerna X 1,..., X n. Låt a 1,..., a n vara givna konstanter. Inför en ny slumpvariabel Y = a 1 X 1 + a 2 X a n X n Väntevärde: E[Y ] = a 1 E[X 1 ] + a 2 E[X 2 ] + + a n E[X n ] Varians (i fallet att X 1,..., X n är oberoende): V[Y ] = a1v[x 2 1 ] + a2v[x 2 2 ] + + anv[x 2 n ].

10 Exempel X 1 och X 2 är oberoende slumpvariabler med E[X 1 ] = 1, E[X 2 ] = 1, V[X 1 ] = 5, V[X 2 ] = 7, Ex. 1. Låt Y = 3X 1 + 2X 2. E[Y ] = E[3X 1 + 2X 2 ] = 3E[X 1 ] + 2E[X 2 ] = ( 1) = 1, V[Y ] = V[3X 1 + 2X 2 ] = 3 2 V[X 1 ] V[X 2 ] = = 73. Ex. 2. Låt Y = X 1 X 2. E[Y ] = E[X 1 X 2 ] = E[X 1 ] E[X 2 ] = 1 ( 1) = 2, V[Y ] = V[X 1 X 2 ] = V[X 1 ] + ( 1) 2 V[X 2 ] = = 12.

11 Exempel Låt X 1 N(1, 4), X 2 N(0, 2.5) vara oberoende slumpvariabler. Väntevärde och varians för Y = X 1 2X 2 ges av E[Y ] = E[X 1 2X 2 ] = E[X 1 ] 2E[X 2 ] = = 1, V[Y ] = V[X 1 2X 2 ] = 1 2 V[X 1 ] + ( 2) 2 V[X 2 ] = = 14.

12 AKTIVERING! Bildkälla: sodahead.com De oberoende slumpvariablerna X 1 och X 2 har fördelningarna X 1 Po(3), X 2 Po(2). Beräkna väntevärde och varians för Y = 2X 1 + X 2.

13 Några ytterligare räkneregler PRODUKT. För oberoende slumpvariabler X 1,..., X n med väntevärden E[X 1 ],..., E[X n ] gäller E[X 1... X n ] = E[X 1 ]... E[X n ]. ADDITION AV KONSTANT. För en slumpvariabel X gäller för godtyckliga konstanter a och b att E[aX + b] = ae[x ] + b, V[aX + b] = a 2 V[X ].

14 Medelvärdesbildning! Betrakta de oberoende slumpvariablerna X 1,..., X n, var och en med väntevärdet µ och variansen σ 2. En speciell linjärkombination ges av konstanterna 1/n, dvs. Y = 1 n X n X n X n. Detta är inget annat än medelvärdet av slumpvariabler: X = 1 n (X X n ). Räknereglerna ger E[ X ] = µ, V[ X ] = σ2 n.

15 VIKTIGASTE FORMELN I KURSEN?! V[ X ] = σ2 n.

16 Summor av oberoende variabler

17 Fördelningar för summor Hittills: Väntevärden och varianser för Y, där Y är en linjärkombination av (oftast oberoende) slumpvariabler. Kan man finna fördelningen för Y? Ja, i vissa specialfall. Normalfördelade variabler (linjärkombination) Binomialfördelade variabler (endast summa) Poissonfördelade variabler (endast summa)

18 Normalfördelningen Låt X 1,..., X n vara oberoende normalfördelade slumpvariabler med väntevärden µ 1,..., µ n och varianser σ 2 1,..., σ2 n. Låt Y = n a i X i + b, i=1 där a 1,..., a n och b är konstanter. Då gäller att där µ Y = E[Y ] = Y N(µ Y, σ 2 Y ), n n a i µ i + b, σy 2 = V[Y ] = ai 2 σi 2. i=1 i=1

19 Exempel Antag att X 1 N(5, 4), X 2 N(3, 6). Då gäller för Y = 2X 1 + X 2 att där Y N(µ Y, σ 2 Y ) µ Y = = 13, σ 2 Y = = 22.

20 Exempel: Mätfel Avstånd mäts med ett instrument. Antagande: Mätvärdena är oberoende observationer av normalfördelade slumpvariabler med väntevärdet lika med det sanna värdet och inkluderande ett slumpmässigt mätfel. Modell: Y = a + X där a är det sanna avståndet och X är mätfel, X N(0, σ 2 ). Fördelning för Y? Räknas på tavlan! Bildkälla: sydsvenskan.se

21 AKTIVERING! Antag att Bildkälla: sodahead.com X 1 N(0, 2), X 2 N(1, 3), X 3 N(0, 4). Finn fördelningen för Y = X 1 + X 2 + X 3.

22 Exempel: Medelvärdesbildning Antag att X N(20, 5 2 ). Då gäller för medelvärdet X av n oberoende variabler X N(20, 5 2 /n). Täthetsfunktioner. Heldragen kurva: X. Streckad kurva: X, n = 5. Punktstreckad kurva: X, n =

23 Additionssats: Binomialfördelning Låt X 1 Bin(n 1, p) och X 2 Bin(n 2, p) vara oberoende slumpvariabler. Då gäller för slumpvariabeln att Y = X 1 + X 2 Y Bin(n 1 + n 2, p). OBS 1 Resultatet kan generaliseras till fler än två variabler. OBS 2 Samma parametervärde p för samtliga variabler.

24 Additionssats: Poissonfördelning Låt X 1 Po(m 1 ) och X 2 Po(m 2 ) vara oberoende slumpvariabler. Då gäller för slumpvariabeln Y = X 1 + X 2 att Y Po(m 1 + m 2 ).

25 AKTIVERING! Bildkälla: sodahead.com De oberoende slumpvariablerna X 1 och X 2 har fördelningarna X 1 Po(3), X 2 Po(2). Ange fördelningen för Y = X 1 + X 2.

26 Ett centralt resultat: Centrala gränsvärdessatsen

27 Centrala gränsvärdessatsen Fråga: Låt Y = X 1 + X X n, en summa av oberoende slumpvariabler. Går det att enkelt bestämma fördelningen för Y? Svar: I de flesta fall nej. En approximativ fördelning kan dock anges, om antalet termer är stort.

28 Centrala gränsvärdessatsen (CGS) Låt X 1, X 2,..., X n vara oberoende, likafördelade slumpvariabler med väntevärde µ och varians σ 2. Då gäller för stora n att är (approximativt) fördelad enligt Y = X 1 + X X n Y N(µ Y, σ 2 Y ) där µ Y = nµ, σ 2 Y = nσ2.

29 Kommentarer, CGS Vad menas med stora n? Något allmänt svar finns inte, avgörande är fördelningens form. Symmetriska fördelningar konvergerar snabbare mot normalfördelningen än skeva. Kan diskreta fördelningar approximeras av (den kontinuerliga) normalfördelningen? Svar ja, approximationen kan dock förbättras med s.k. halvkorrektion. CGS kan också presenteras i en form för medelvärdesbildning (se sid. 110, exempel 5.25).

30 Quincunx Galtons bean machine Simulering: Bildkälla: galton.org

31 Exempel Summor av binomialvariabler, X i Bin(1, 0.2), dvs. E[X ] = 0.2, V[X ] = Additionssatsen för oberoende binomialvariabler ger Approximation med CGS ger ty = 6, = 4.8. Y = X X 30 Bin(30, 0.2). Y N(6, 4.8)

32 Exempel, forts. Sannolikhet Bin(5,0.2) Sannolikhet Bin(10,0.2) y y Sannolikhet Bin(20,0.2) Sannolikhet Bin(30,0.2) y y

33 AKTIVERING! För slumpvariabeln X gäller E[X ] = 2.5, V[X ] = 0.1. Bildkälla: sodahead.com Betrakta summan av 100 oberoende variabler Y = X 1 + X X 100 och finn dess sannolikhetsfördelning.

34 Exempel En säljare ringer 20 telefonsamtal. Längden av ett samtal anses vara exponentialfördelad med väntevärdet 10 minuter och samtalslängderna anses vara oberoende. (a) Ange fördelningen för den totala samtalstiden. (b) Beräkna sannolikheten att totala samtalstiden överstiger 220 minuter.

35 Avslutningsvis... Sannolikhetsdelen i kursen är nu genomgången vid föreläsning. Mycket träning återstår på lektioner och egen hand. Begreppen kommer till användning när statistikdelen av kursen tar sin början.

Föreläsning 7. Statistikens grunder.

Föreläsning 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 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

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

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

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

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

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

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

F9 Konfidensintervall

F9 Konfidensintervall 1/16 F9 Konfidensintervall Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 18/2 2013 2/16 Kursinformation och repetition Första inlämningsuppgiften rättas nu i veckan. För att

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

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

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

(x) = F X. och kvantiler

(x) = F X. och kvantiler Föreläsning 5: Matstat AK för M, HT-8 MATEMATISK STATISTIK AK FÖR M HT-8 FÖRELÄSNING 5: KAPITEL 6: NORMALFÖRDELNINGEN EXEMPEL FORTKÖRARE Man har mätt hastigheten på 8 bilar som passerade en korsning i

Läs mer

Föreläsning 6, Matematisk statistik Π + E

Föreläsning 6, Matematisk statistik Π + E Repetition Kovarians Stora talens lag Gauss Föreläsning 6, Matematisk statistik Π + E Sören Vang Andersen 2 december 2014 Sören Vang Andersen - sva@maths.lth.se FMS012 F6 1/20 Repetition Kovarians Stora

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

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

Repetitionsföreläsning

Repetitionsföreläsning 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 mer

Matematikcentrum 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 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 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

Statistiska metoder för säkerhetsanalys

Statistiska 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 mer

Summor av slumpvariabler

Summor av slumpvariabler 1/22 Summor av slumpvariabler Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 8/2 2013 2/22 Dagens föreläsning Väntevärde och varians Vanliga kontinuerliga fördelningar Parkeringsplatsproblemet

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

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

Mer om slumpvariabler

Mer 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 mer

TMS136. Föreläsning 7

TMS136. Föreläsning 7 TMS136 Föreläsning 7 Stickprov När vi pysslar med statistik handlar det ofta om att baserat på stickprovsinformation göra utlåtanden om den population stickprovet är draget ifrån Situationen skulle kunna

Läs mer

Datorövning 2 Betingad fördelning och Centrala gränsvärdessatsen

Datorövning 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 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

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

Föreläsning 1. Repetition av sannolikhetsteori. Patrik Zetterberg. 6 december 2012 Föreläsning 1 Repetition av sannolikhetsteori Patrik Zetterberg 6 december 2012 1 / 28 Viktiga statistiska begrepp För att kunna förstå mer avancerade koncept under kursens gång är det viktigt att vi förstår

Läs mer

SF1901: 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

0 om x < 0, F X (x) = x. 3 om 0 x 1, 1 om x > 1.

0 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 mer

Föreläsning 12: Regression

Föreläsning 12: Regression Föreläsning 12: Regression Matematisk statistik David Bolin Chalmers University of Technology Maj 15, 2014 Binomialfördelningen Låt X Bin(n, p). Vi observerar x och vill ha information om p. p = x/n är

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

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

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

Bengt Ringnér. October 30, 2006

Bengt Ringnér. October 30, 2006 Väntevärden Bengt Ringnér October 0, 2006 1 Inledning 2 Väntevärden Låt X vara en stokastisk variabel som representerar ett slumpmässigt försök, t ex att mäta en viss storhet. Antag att man kan göra, eller

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

Centrala gränsvärdessatsen (CGS). Approximationer

Centrala gränsvärdessatsen (CGS). Approximationer TNG006 F7 25-04-2016 Centrala gränsvärdessatsen (CGS. Approximationer 7.1. Centrala gränsvärdessatsen Vi formulerade i Sats 6.10 i FÖ6 en vitig egensap hos normalfördelningen som säger att en linjär ombination

Läs 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

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

Diskussionsproblem för Statistik för ingenjörer

Diskussionsproblem 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 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

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

Matematisk statistik för B, K, N, BME och Kemister

Matematisk statistik för B, K, N, BME och Kemister Matematisk statistik för B, K, N, BME och Kemister Johan Lindström Repetition Johan Lindström - johanl@maths.lth.se FMS86/MASB2 1/44 Begrepp S.V. Fördelning Väntevärde Gauss CGS Grundläggande begrepp (Kap.

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

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

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

TAMS65 - Föreläsning 2 Parameterskattningar - olika metoder

TAMS65 - 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 mer

Jesper Rydén. Matematiska institutionen, Uppsala universitet Tillämpad statistik 1MS026 vt 2014

Jesper Rydén. Matematiska institutionen, Uppsala universitet Tillämpad statistik 1MS026 vt 2014 Föreläsning 1. Jesper Rydén Matematiska institutionen, Uppsala universitet jesper@math.uu.se Tillämpad statistik 1MS026 vt 2014 Varför tillämpad statistik? Användningsområden i medicin, naturvetenskap

Läs mer

SF1911: Statistik för bioteknik

SF1911: Statistik för bioteknik SF1911: Statistik för bioteknik Föreläsning 6. TK 14.11.2016 TK Matematisk statistik 14.11.2016 1 / 38 Lärandemål Stokastiska modeller för kontinuerliga datatyper Fördelningsfunktion (cdf) Sannolikhetstäthetsfunktion

Läs mer

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

Laboration med Minitab

Laboration med Minitab MATEMATIK OCH STATISTIK NV1 2005 02 07 UPPSALA UNIVERSITET Matematiska institutionen Silvelyn Zwanzig, Tel. 471 31 84 Laboration med Minitab I denna laboration skall du få stifta bekantskap med ett statistiskt

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

Kapitel 4. Kontinuerliga slumpvariabler och deras sannolikhetsfördelningar. Sannolikhetslära och inferens II

Kapitel 4. Kontinuerliga slumpvariabler och deras sannolikhetsfördelningar. Sannolikhetslära och inferens II Sannolikhetslära och inferens II Kapitel 4 Kontinuerliga slumpvariabler och deras sannolikhetsfördelningar 1 Kontinuerliga slumpvariabler En slumpvariabel som kan anta alla värden på något intervall sägs

Läs mer

LINKÖPINGS UNIVERSITET EXAM TAMS 27 / TEN 2

LINKÖPINGS UNIVERSITET EXAM TAMS 27 / TEN 2 LINKÖPINGS UNIVERSITET Matematiska institutionen EXAM TAMS 27 / TEN 2 2 augusti 217, klockan 8-12 Examinator: Jörg-Uwe Löbus (Tel: 79-62827 Tillåtna hjälpmedel är en räknare, formelsamling i matematisk

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

1. En kontinuerlig slumpvariabel X har följande täthetsfunktion (för någon konstant k). f.ö.

1. En kontinuerlig slumpvariabel X har följande täthetsfunktion (för någon konstant k). f.ö. UMEÅ UNIVERSITET Institutionen för matematik och matematisk statistik Statistik för tekniska fysiker, MSTA6, 4p Peter Anton Per Arnqvist LÖSNINGSFÖRSLAG TILL TENTAMEN 7-- LÖSNINGSFÖRSLAG TILL TENTAMEN

Läs mer

Föreläsningsmanus i matematisk statistik för lantmätare, vecka 5 HT06

Föreläsningsmanus i matematisk statistik för lantmätare, vecka 5 HT06 Föreläsningsmanus i matematisk statistik för lantmätare, vecka 5 HT06 Bengt Ringnér September 20, 2006 Inledning Detta är preliminärt undervisningsmaterial. Synpunkter är välkomna. 2 Väntevärde standardavvikelse

Läs mer

SF1901: SANNOLIKHETSTEORI OCH KONTINUERLIGA STOKASTISKA VARIABLER STATISTIK. Tatjana Pavlenko. 7 september 2016

SF1901: SANNOLIKHETSTEORI OCH KONTINUERLIGA STOKASTISKA VARIABLER STATISTIK. Tatjana Pavlenko. 7 september 2016 SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 4 KONTINUERLIGA STOKASTISKA VARIABLER Tatjana Pavlenko 7 september 2016 PLAN FÖR DAGENS FÖRELÄSNING Repetition av diskreta stokastiska variabler. Väntevärde

Läs mer

Problemdel 1: Uppgift 1

Problemdel 1: Uppgift 1 STOCKHOLMS UNIVERSITET MT 00 MATEMATISKA INSTITUTIONEN LÖSNINGAR Avd. Matematisk statistik, CH 8 februari 0 LÖSNINGAR 8 februari 0 Problemdel : Uppgift Rätt svar är: a) X och X är oberoende och Y och Y

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

1 Sannolikhet enligt frekvenstolkningen Kast med tärning

1 Sannolikhet enligt frekvenstolkningen Kast med tärning Lunds univrsitet Matematikcentrum Matematisk statistik Biostatistisk grundkurs, MASB11 Laboration 2 HT-2014, 141212 Fördelningar och simulering Introduktion Syftet med laborationen är dels att vi skall

Läs mer

LINKÖPINGS UNIVERSITET TENTA 92MA31, 92MA37, 93MA31, 93MA37 / STN 2 9GMA05 / STN 1

LINKÖPINGS UNIVERSITET TENTA 92MA31, 92MA37, 93MA31, 93MA37 / STN 2 9GMA05 / STN 1 LINKÖPINGS UNIVERSITET Matematiska institutionen TENTA 9MA31, 9MA37, 93MA31, 93MA37 / STN 9GMA5 / STN 1 1 juni 16, klockan 8.-1. Jour: Jörg-Uwe Löbus Tel: 79-687) Tillåtna hjälpmedel är en räknare, formelsamling

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

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

I den här datorövningen ser vi hur R kan utnyttjas för att kontrollera modellantaganden och beräkna konfidensintervall.

I den här datorövningen ser vi hur R kan utnyttjas för att kontrollera modellantaganden och beräkna konfidensintervall. UPPSALA UNIVERSITET Matematiska institutionen Måns Thulin Statistik för ingenjörer 1MS008 VT 2011 DATORÖVNING 2: SKATTNINGAR OCH KONFIDENSINTERVALL 1 Inledning I den här datorövningen ser vi hur R kan

Läs mer

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

Sannolikheten för att barnet skall få blodgrupp A0 A0 1/2 AA 1 AB 1/2 Övriga 0 Avd. Matematisk statistik TENTAMEN I SF191, SANNOLIKHETSTEORI OCH STATISTIK, ONSDAGEN DEN 1:A JUNI 216 KL 8. 13.. Kursledare: Thomas Önskog, 8-79 84 55 Tillåtna hjälpmedel: Formel- och tabellsamling i

Läs mer

SF1901: SANNOLIKHETSTEORI OCH MER ON VÄNTEVÄRDE OCH VARIANS. KOVARIANS OCH KORRELATION. STORA TALENS LAG. STATISTIK.

SF1901: SANNOLIKHETSTEORI OCH MER ON VÄNTEVÄRDE OCH VARIANS. KOVARIANS OCH KORRELATION. STORA TALENS LAG. STATISTIK. SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 6 MER ON VÄNTEVÄRDE OCH VARIANS. KOVARIANS OCH KORRELATION. STORA TALENS LAG. Tatjana Pavlenko 12 september 2017 PLAN FÖR DAGENS FÖRELÄSNING Repetition

Läs mer

Matematisk statistik KTH. Formel- och tabellsamling i matematisk statistik

Matematisk 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 mer

DATORÖVNING 2: SIMULERING

DATORÖVNING 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 mer

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

Laboration 3: Stora talens lag, centrala gränsvärdessatsen och enkla punktskattningar LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK LABORATION 3 MATEMATISK STATISTIK AK FÖR CDIFYSIKER, FMS012/MASB03, HT12 Laboration 3: Stora talens lag, centrala gränsvärdessatsen och enkla

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

Detta formelblad får användas under både KS2T och KS2D, samt ordinarie tentamen. x = 1 n. x i. with(stats): describe[mean]([3,5]); 4.

Detta formelblad får användas under både KS2T och KS2D, samt ordinarie tentamen. x = 1 n. x i. with(stats): describe[mean]([3,5]); 4. Formelblad Detta formelblad får användas under både KST och KSD, samt ordinarie tentamen. Medelvärde x = 1 n x i with(stats): describe[mean]([3,5]); 4 Varians s = 1 (x i x) n 1 ( s = 1 x i n 1 1 n ) x

Läs mer

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

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

Läs mer

SF1901: Sannolikhetslära och statistik. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski

SF1901: Sannolikhetslära och statistik. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski SF1901: Sannolikhetslära och statistik Föreläsning 10. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski 18.02.2016 Jan Grandell & Timo Koski Matematisk statistik 18.02.2016

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

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) F8.1 Kvantiler (3) F8.1 Kvantiler (3) F8.2 Räkna regler för väntevärdet (3) F8.3 Olikheter (X) F8.4 Sannolikgenererande funktioner (X) F8.5

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

Väntevärde och varians

Väntevärde och varians TNG6 F5 19-4-216 Väntevärde och varians Exempel 5.1. En grupp teknologer vid ITN slår sig ihop för att starta ett företag som utvecklar datorspel. Man vet att det är 8% chans för ett felfritt spel som

Läs mer

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

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

Läs mer

SF1901: Övningshäfte

SF1901: Övningshäfte SF1901: Övningshäfte 24 september 2013 Uppgifterna under rubriken Övning kommer att gås igenom under övningstillfällena. Uppgifterna under rubriken Hemtal är starkt rekommenderade och motsvarar nivån på

Läs mer

LÖSNINGSFÖRSLAG TILL TENTAMEN I MATEMATISK STATISTIK 2007-08-29

LÖSNINGSFÖRSLAG TILL TENTAMEN I MATEMATISK STATISTIK 2007-08-29 UMEÅ UNIVERSITET Institutionen för matematik och matematisk statistik Statistik för Teknologer, 5 poäng (TNK, ET, BTG) Peter Anton, Per Arnqvist Anton Grafström TENTAMEN 7-8-9 LÖSNINGSFÖRSLAG TILL TENTAMEN

Läs mer

Tentamen i Matematisk statistik Kurskod S0001M

Tentamen i Matematisk statistik Kurskod S0001M Tentamen i Matematisk statistik Kurskod S0001M Poäng totalt för del 1: 25 (10 uppgifter) Tentamensdatum 2014-06-05 Poäng totalt för del 2: 30 (3 uppgifter) Skrivtid 09.00 14.00 Lärare: Adam Jonsson, Jesper

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

Stokastiska vektorer

Stokastiska vektorer TNG006 F2 9-05-206 Stokastiska vektorer 2 Kovarians och korrelation Definition 2 Antag att de sv X och Y har väntevärde och standardavvikelse µ X och σ X resp µ Y och σ Y Då kallas för kovariansen mellan

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

SF1901: Sannolikhetslära och statistik. Statistik: Intervallskattning (konfidensintervall)

SF1901: Sannolikhetslära och statistik. Statistik: Intervallskattning (konfidensintervall) SF1901: Sannolikhetslära och statistik Föreläsning 9. Statistik: Intervallskattning (konfidensintervall) Jan Grandell & Timo Koski 21.02.2012 Jan Grandell & Timo Koski () Matematisk statistik 21.02.2012

Läs mer

Sannolikheter och kombinatorik

Sannolikheter 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 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

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

STOCKHOLMS UNIVERSITET Statistiska institutionen Michael Carlson,

STOCKHOLMS 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 mer

TAMS65 - Föreläsning 2 Parameterskattningar - olika metoder

TAMS65 - Föreläsning 2 Parameterskattningar - olika metoder TAMS65 - Föreläsning 2 Parameterskattningar - olika metoder Martin Singull Matematisk statistik Matematiska institutionen Innehåll Fö2 I Punktskattningar I Egenskaper I Väntevärdesriktig I E ektiv I Konsistent

Läs mer

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

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

Läs mer

SF1901: Sannolikhetslära och statistik

SF1901: Sannolikhetslära och statistik SF1901: Sannolikhetslära och statistik Föreläsning 6. Kovarians, korrelation, väntevärde och varians för summor av s.v.:er, De stora talens lag Jan Grandell & Timo Koski 04.02.2016 Jan Grandell & Timo

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

Tentamen i Statistik, STA A13 Deltentamen 2, 5p 24 januari 2004, kl. 09.00-13.00

Tentamen i Statistik, STA A13 Deltentamen 2, 5p 24 januari 2004, kl. 09.00-13.00 Karlstads universitet Institutionen för informationsteknologi Avdelningen för statistik Tentamen i Statistik, STA A13 Deltentamen, 5p 4 januari 004, kl. 09.00-13.00 Tillåtna hjälpmedel: Ansvarig lärare:

Läs mer

Datorlaboration 8/5 Jobba i grupper om 2-3 personer Vi jobbar i Minitab Lämna in rapport via fronter senast 22/5 Förbered er genom att läsa och se

Datorlaboration 8/5 Jobba i grupper om 2-3 personer Vi jobbar i Minitab Lämna in rapport via fronter senast 22/5 Förbered er genom att läsa och se Föreläsning 10 Datorlaboration 8/5 Jobba i grupper om 2-3 personer Vi jobbar i Minitab Lämna in rapport via fronter senast 22/5 Förbered er genom att läsa och se vad som skall göras Föreläsning 10 Inferens

Läs mer

Slumpvariabler och sannolikhetsfördelningar

Slumpvariabler och sannolikhetsfördelningar och sannolikhetsfördelningar Föreläsning 4 Sannolikhet och Statistik 5 hp Fredrik Jonsson April 2010 Översikt 1. Verklighetsanknutna exempel. Definition relativt utfallsrum. 2. Sannolikhetsfördelningar

Läs mer

dvs. Trots att arbetslaget arbetar tillsammans antages skadorna hos de olika medlemmarna

dvs. Trots att arbetslaget arbetar tillsammans antages skadorna hos de olika medlemmarna Avd. Matematisk statistik TENTAMEN I SF1901 SANNOLIKHETSTEORI OCH STATISTIK I Uppgift 1 I en byggnad sitter ett brandlarm monterat. Under en tidsperiod är sannolikheten att larmet går 3%. Man vet att 98%

Läs mer

modell Finansiell statistik, vt-05 Modeller F5 Diskreta variabler beskriva/analysera data Kursens mål verktyg strukturera omvärlden formellt

modell Finansiell statistik, vt-05 Modeller F5 Diskreta variabler beskriva/analysera data Kursens mål verktyg strukturera omvärlden formellt Johan Koskinen, Statistiska institutionen, Stockholms universitet Finansiell statistik, vt-5 F5 Diskreta variabler Kursens mål beskriva/analysera data formellt verktyg strukturera omvärlden innehåll osäkerhet

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