Föresläsningsanteckningar Sanno II
|
|
- Viktor Lund
- för 6 år sedan
- Visningar:
Transkript
1 STOCKHOLMS UNIVERSITET FANT MATEMATISKA INSTITUTIONEN Snno II Mtemtisk sttistik 13 oktober 1997 Esbjörn Ohlsson Föresläsningsnteckningr Snno II 1 Gmmfunktionen I fler v vår vnlig snnolikhetsfördelningr ingår den sk gmm-funktionen Γ(p) x p 1 e x dx vilken är definierd för ll reell p> Vi sk här smmnftt funktionens viktigste egenskper () Γ(p) (p 1)Γ(p 1) (b) Γ(1) 1 (c) För positiv heltl n gäller tt Γ(n) (n 1)! (d) Γ( 1 2 ) π För bevis se Ross sid 231 smt Theoreticl Exercise 2 på sid 241 i smm bok Iblnd kn mn h nytt v följnde pproximtion för stor p, den så kllde Stirlings formel: Γ(p + 1) 2πe p p p+ 1 2 när p vilken sk tolks så tt vänsterledet delt med högerledet går mot 1 då p Beviset överhopps
2 1 STOCKHOLMS UNIVERSITET FANT MATEMATISKA INSTITUTIONEN Snno II Mtemtisk sttistik 13 oktober 1997 Esbjörn Ohlsson 2 Lgen om Totl Snnolikhet Låt Y 1 om A inträffr och nnrs Noter tt E(Y )P (A)Genom tt tillämp Theorem 21 i kpitel II på Y får vi följnde resultt Sts 21 () Lgen om totl snnolikhet för diskret sv X P (A) P (A X x k )p X (x k ) k1 (b) Lgen om totl snnolikhet för kontinuerlig sv X P (A) + P (A X x)f X (x)dx Den diskret delen v stsen är den vnlig lgen om totl snnolikhet (Guts formel (33) på sid 6) med H k {X x k } och n Vi hr lltså fått en kontinuerlig motsvrighet till dett resultt från grundkursen Den finns inte explicit i Gut, men ntyds i Remrk 21, sid 36, och nvänds i exempel 31, sid 41 3 Byes Sts Betrkt en tvådimensionell diskret sv (X, Y ) Om vi får vet tt X j, sk vi nturligtvis nvänd p Y Xj (k) som snnolikhetsfördelning för Y Om vi känner X s fördelning och den betingde fördelningen för X givet Y så kn revideringen från p Y (k) till p Y Xj (k) görs med Byes sts, se formel (34) i Gut Om vi där sätter in A {X j} och H k {Y k} får vi p Y Xj (k) p X Y k(j)p Y (k) i p X Y i(j)p Y (i) (1) Anm: Det är lätt tt se tt grundkursens bevis v (34) håller även då n Det är den vrinten v (34) vi nvänt ovn 2
3 Grundkursens version v Byes sts nger hur snnolikheter för disjunkt händelser sk reviders när vi får vet tt A hr inträfft (1) nger hur snnolikhetsfunktionen för Y sk reviders när vi får vet tt X j hr inträfft Hur gör vi om X och Y är kontinuerlig? Genom nvändning v definitionen v betingd täthetsfunktion får vi f Y Xx (y) f X,Y (x, y) f X (x) f X Y y(x)f Y (y) fx,y (x, t)dt f X Y y(x)f Y (y) fx Y t (x)f Y (t)dt Noter tt dett är en direkt kontinuerlig nlog till (1) och således kn betrkts som en kontinuerlig version v Byes sts Vd gör vi om X är diskret men Y är kontinuerlig? Den betingde fördelningsfunktionen blir F Y Xk (y) P (Y y, X k) P (X k) Använd nu LTS, dvs Sts 21 (b), på täljren så blir den + P (Y y, X k Y t)f Y (t)dt Derivering m p y v (3) ger nu y f Y Xk (y) P (X k Y y)f Y (y) P (X k) P (X k Y t)f Y (t)dt En ny tillämpning v LTS på nämnren ger nu resulttet i (c)-delen v följnde sts, i viken vi smmnfttr de olik vrintern v Byes sts Sts 31 Byes sts för stokstisk vribler X och Y () Om X och Y båd är diskret: p Y Xj (k) (b) Om X och Y båd är kontnuerlig: f Y Xx (y) (c) Om X är diskret och Y kontinuerlig: f Y Xk (y) p X Y k(j)p Y (k) i p X Y i(j)p Y (i) f X Y y (x)f Y (y) + f X Y t(x)f Y (t)dt P (X k Y y)f Y (y) + P (X k Y t)f Y (t)dt Ovnstående resultt tillämps fr inom Byesinsk inferens Som läsren säkert redn notert hr vi utelämnt fllet X kontinuerlig och Y diskret Det är inte svårt tt giss hur stsen sk se ut i dett fll Huvudnledningen till tt vi utelämnr det är tt det är mindre vnligt vid de nämnd tillämpningrn Resulttet i (c) kn nvänds för tt förkort klkylern i Guts två exempel på sid Verifier gärn dett själv! (2) (3) (4) 3
4 STOCKHOLMS UNIVERSITET FANT MATEMATISKA INSTITUTIONEN Snno II Mtemtisk sttistik 13 oktober 1997 Esbjörn Ohlsson 4 Flerdimensionell Normlfördelning - den klssisk definitionen I kpitel V ger Gut inte mindre än tre olik definitioner v den flerdimensionell (multivrit) normlfördelningen Trots dett skns en v de vnligste definitionern, vilken jg väljer tt kll den klssisk definitionen Låt oss först noter tt om Z är en vektor med oberoende N(, 1)- fördelde komponenter så är den simultn fördelningen för Z väldefinierd (och väkänd) Definition 41 (Den klssisk definitionen) En n-dimensionell stokstisk vektor X är (n-dimensionellt) normlfördeld, om X AZ + b där Z är en vektor med oberoende N(, 1)-fördelde komponenter, A är en n n-mtris och b är en n-vektor Antg nu tt vi vill skff oss en n-dimensionell normlfördelning med en viss, given väntevärdesvektor µ och given kovrinsmtris Λ För tt Λ verkligen sk kunn funger som kovrinsmtris krävs tt den är en symmetrisk, icke-negtivt definit (positivt semi-definit) n n-mtris Från den linjär lgebrn (kpitel V1) vet vi då tt det finns en n n-mtris Λ 1/2 sådn tt Λ 1/2 Λ 1/2 Λ Mtrisen Λ 1/2 är även den symmetrisk och icke-negtivt definit Vi får nu den önskde normlfördelningen genom tt sätt X Λ 1/2 Z + µ Från Theorem 22 följer tt E(X) µ och V r(x) Λ som önskt Vi skriver X N(µ, Λ) Noter dock tt vi egentligen inte vet ännu tt µ och Λ entydigt bestämmer den flerdimensionell normlfördelningen Det finns nämligen fler A-mtriser som ger smm kovrinsmtris AA I princip skulle mn kunn tänk sig tt dess gv olik snnolikhetsfördelningr Att så inte är fllet frmgår dock v tt den momentgenerernde funktonen endst beror v µ och Λ, i kombintion med entydighetsstsen för momentgenerernde funktioner 4
5 Resultten i Theorem 31, Remrk 41 smt Theorem 51 beviss utgående från den klssisk definitionen på ungefär smm sätt som de beviss v Gut utifrån hns definition 1 Guts definition 1 blir en sts, som brukr klls Crmér-Wolds device Stsen beviss med hjälp v den momentgenerernde funktionen Övning Vis tt nednstående båd A-mtriser ger smm kovrinsmtris AA (5) (6) 5
6 STOCKHOLMS UNIVERSITET FANT MATEMATISKA INSTITUTIONEN Snno II Mtemtisk sttistik 13 oktober 1997 Esbjörn Ohlsson 5 Konvergens i fördelning vi f(x) och p(k) d Konvergens i fördelning X n X definiers som tt FXn (x) F X (x) då n för ll x där F X är kontinuerlig, se Gut Definition 14 i kpitel VI Vi sk här presenter en sts om hur konvergens i fördelning kn viss med hjälp v snnolikhetsfunktioner resp täthetsfunktioner I stsen eftersträvr vi enkl villkor och hr därför inte gjort den så generell som möjligt Sts 51 () Om såväl X som X 1,X 2, är diskret och endst ntr ickenegtiv heltlsvärden gäller: p Xn (k) p X (k) för k 1, 2, X n d X (b) Om såväl X som X 1,X 2, är kontinuerlig och hr täthetsfunktioner gäller: f Xn (x) f X (x) x X n d X Bevis () Fördelningsfunktionen F (x) för en sv på de icke-negtiv heltlen kn skrivs som en ändlig summ v p X (k) Dett ger direkt Impliktionen åt ndr hållet följer v tt vi kn skriv p X (k) F (k+ 1 2 ) F (k 1 2 ) och k och k 1 2 är kontinuitetspunkter till F X(x) (b) Om vi ntr tt vi får kst om integrtion och lim så gäller F Xn (x) x f Xn (x)dx x f X (x)dx F X (x) Vi vstår från tt försök bevis tt den nämnd omkstningen är tillåten (men det är den) 6
7 STOCKHOLMS UNIVERSITET UPPGIFTER MATEMATISK STATISTIK 27 ugusti 23 Esbjörn Ohlsson Sk I: Övningsuppgifter till Kpitel 1 1 ) Bestäm den kumulntgenerernde funktionen för Poissonfördelningen b) Härled smtlig kumulnter för Poissonfördelningen Använd dett till tt bestämm fördelningens väntevärde och vrins 2 ) Bestäm fördelningsfunktionen F Y (x) för Y i Exempel 13 om X Exp(λ) (Exponentilfördelning med väntevärde 1/λ) Ange explicit den kontinuerlig delen F 1 (x) och den diskret delen F 2 (x) b) Bestäm exponentilfördelningens väntevärdesfunktion L() Använd den till tt bestämm E(Y )L(b) L() Du får ej nvänd resulttet i c nedn! c) Antg tt X är bsolutkontinuerlig och X > (men inte nödvändigtvis Exponentilfördeld) Vis tt L() (1 F (x))dx Kontroller tt dett uttryck stämmer genom tt än en gång bestämm L() för Exp(λ) Ledning: Prtilintegrer uttrycket ovn! Mn kn vis tt ovnstående formel gäller llmänt för positiv stokstisk vribler (även diskret) OBS! Exponentilfördelningen är sälln eller ldrig lämplig för tt modeller skdebelopp! Den nvänds här endst för tt ge enkl räkningr 3 Låt X vr en stokstisk vribel vrs kumulntgenerernde funktion existerr Bevis tt ) den först kumulnten är lik med väntevärdet µ E[X]; b) den ndr kumulnten κ 2 V r(x); c) den tredje kumulnten κ 3 E[(X µ) 3 ]
8 STOCKHOLMS UNIVERSITET MATLAB MATEMATISK STATISTIK 2 september 23 Esbjörn Ohlsson 1 Sk I: Extr övningsuppgifter 11 Övning 2x ) Generer 1 Gmm-slumptl med MtLb-funktionen rndom( Gmm,1,2,1,1) b) Skp en m-fil med en funktion för gmm-fördelningens ML-ekvtion som funktion v α, se Exempel 23 smt den utdelde lösningen på Övning 45 (Denn funktion klls Score-funktionen ) c) Plott ML-ekvtionen för olik α för tt se vr nollstället ungefär befinner sig d) Hitt den numerisk lösningen till ML-ekvtionen med fzero e) Kör ditt progrm någr gånger och se efter hur långt du kommer från det snn värdet 1 på α (Du kn även test tt t ett större n än 1 om du vill) Redovis med er två m-filer och ett exempel på plot v scorefunktionen smt 5 olik värden på α från e-uppgiften Not: Om du skulle vilj koll β-värdet är det br tt vet tt MtLb hr en definition v Gmmfördelningen där 1/β hr erstt vårt β, så egentligen simulerr vi från Gmm(1,5) inte Gmm(1,2) 12 Övning 4x Härled de tre först centrlmomenten i den negtiv binomilfördelningen (Svret finns i kompendiets kpitel 4)
9 STOCKHOLMS UNIVERSITET MS216 MATEMATISKA INSTITUTIONEN Torsdg 4 ugusti 25 Avd Mtemtisk sttistik, ANL Extr lösningr Övningr till kpitel 1 1 ) Poissonfördelningen med prmeter λ hr momentgenerernde funktion M(t) exp(λ(e t 1)), och därmed kumulntgenerernde funktion Ψ(t) log M(t) λ(e t 1) b) Den j:te kumulnten κ j ges v κ j lim Ψ(t) λ lim dtj t et λ, för j 1, 2, t d j 2 ) Vi hr G(x) 1 e λx med beteckning som i exempel 13, s 3 4, och får därmed om x< F Y (x) 1 e λ(+x) om x<b 1 om x b om x< F 1 (x) (e λ e λ(+x) )/(e λ e λb ) om x<b 1 om x b om x< F 2 (x) (1 e λ )/(1 e λ + e λb ) om x<b 1 om x b
10 Extr lösningr, Torsdg 4 ugusti 25 2 b) c) L() E[min(X, )] xf X (x)dx + [xf X (x)] F X (x)dx + [F X (x)] (1 e λ ) x + e λx + e λ λ 1 e λ λ f X (x)dx (1 F (x))dx [x(1 F (x))] x( f(x))dx (1 F ()) + P (X >)+ L() xf(x)dx xf(x)dx Då F (x) 1 e λx får mn L() e λx dx [e λx /λ] (1 e λ )/λ 3 Låt Ψ(t) vr kumulntgenerernde funktion för X ) Ψ (t) d dt log M(t) M (t) M(t) κ 1 lim t M (t) M(t) µ 1 µ, Ψ (t) d M (t) dt M(t) M (t)m(t) M (t) 2 M(t) 2 κ 2 α 2 1 µ α 2 µ 2 Vr(X), Ψ (t) d M (t)m(t) M (t) 2 dt M(t) 2 M (t)m(t) M (t)m (t) M(t) 2 M (t) 2 M(t) d M (t) dt M(t) d dt 2 M (t) M (t)m(t) M (t) 2 M(t) M(t) 2 κ 3 α 3 α 2 µ 2µ(α 2 µ 2 )α 3 3α 2 µ +2µ 3 µ 3 (E[(X µ) 3 ]E[X 3 ] 3E[X 2 ]µ +3E[X]µ 2 µ 3 α 3 3α 2 µ +2µ 3 )
11 Extr lösningr, Torsdg 4 ugusti 25 3 Extr övningsuppgifter 4x) Den kumulntgenerernde funktionen för den negtiv binomilfördelningen ges v: Ψ(t) log M(t) log P (e t ) α log(1 + (1 e t )/β) De tre först centrlmomenten är lik med de tre först kumulntern Alltså får mn: Ψ (t) α 1 + (1 e t )/β et β αe t 1+β e t, µ 1 Ψ () α 1 + (1 e )/β e β α β, Ψ (t) αet (1 + β e t ) αe t ( e t ) (1 + β e t ) 2 µ 2 Ψ () α(1 + β) β 2, α(β + 1)et (1 + β e t ) 2, Ψ (t) α(1 + β)et (1 + β e t ) 2 α(1 + β)e t 2(1 + β e t ) ( e t ) (1 + β e t ) 4, µ 3 Ψ () α(1 + β)β2 +2α(1 + β)β β 4 α(2 + 3β + β2 ) β 3
12 1 Lemm 62 i Dhl (23) sid 5 Låt (X 1,,X i,,x n ) vr en serie okorrelerde stokstisk vribler, dvs Cov(X i,x j )om i j Antg vidre tt ll X i hr gemensmt väntevärde, säg E(X i )µ och sätt σi 2 Vr(X i ) Då får mn den bäst linjär väntevärdesriktig estimtorn (BLUE) v µ på formen i w ix i om mn låter viktern w i vr proportionell mot 1/σ 2 i, dvs där bäst betyder tt h(x 1,,X n ) i X i/σ 2 i i 1/σ2 i Vr[h(X 1,,X n )] Vr[g(X 1,,X n )] för vrje nnn linjär väntevärdesriktig estimtor g Bevis Låt g vr en nnn linjär estimtor, g i w ix i Krvet på väntevärdesriktighet gör tt i w i 1 Vi hr Vr(g) Vr(g h + h) Vr(g h)+vr(h)+ 2Cov(g h, h) Om Cov(g h, h) så är sken klr eftersom högerledet då är Vr(h) med likhet omm g h Sätt nu c 1/ i (1/σ2 i ) Då är Cov(g h, h) Cov i w i c σi 2 X i, j c σj 2 X j och eftersom X i är okorrelerde blir dett lik med w i c c σ 2 i i σi 2 Vr(X i )c w i c i i 1 σ 2 i och därmed är beviset klrt
13 Extr övning 112 För seprtionsmetoden: Vis tt summn v den npssde tringeln v skttde väntevärden i den historisk tringeln är lik med summn v den observerde tringelns B-värden (Frmtidstringeln F är således inte lls inblndd i denn uppgift)
14 Lösningr till någr uppgifter i Ptrik Dhl: Introduction to Reserving, smt till Exercise 11 i Reinsurnce (tillägg till Johnsson) Uppgift 61 Det generliserde villkoret (CL3) lyder eller Vr(C ij+1 C i 1,,C ij )C c ijσ 2 j, Vr(C ij+1 /C ij C i 1,,C ij )C c 2 ij σ 2 j Omskrivningen görs för tt få stokstisk vribler med smm väntevärde (nämligen f j ; utvecklingsåret j är ju fixt), så tt mn kn tillämp Lemm 62, som ger viktern w i σj 2 Cij 2 c k1 σ 2 j Ckj 2 c Cij 2 c k1 C2 c kj Alltså får vi ˆf j i1 w i ˆfij i1 C 2 c ij k1 C2 c kj Cij+1 C ij i1 Cij 1 c C ij+1 k1 C2 c kj i1 Cij 1 c C ij+1 i1 Cij 2 c För c fårvi ˆf j i1 C ij C ij+1 i1 Cij 2 För c 1 får vi det fll som behndls i texten: ˆf j i1 C ij+1 i1 C ij För c 2 är termern i nämnren smtlig 1, och vi får ˆf j 1 C ij+1 1 i1 C ij i1 ˆf ij (I själv verket hr ju de C ij+1 /C ij som vägs ihop i det här fllet smm vrins, så uppgiften går ut på tt sktt ett gemensmt väntevärde med hjälp v en uppsättning v i i d-vribler vilket nturligtvis görs med hjälp v det vnlig ovägd medelvärdet)
15 Uppgift 62 Frågn är något oklrt formulerd: det frmgår inte om den gäller vrinsen betingd v historiken A k, eller den obetingde vrinsen Inte heller frmgår det om det som vses ä r V r ( ˆf k A k ) (lterntivt Vr( ˆf k )), eller om det är Vr(Ĉim A k ) (lterntivt Vr(Ĉim)) Med det vnlig villkoret (CL3) hr vi ˆf k m k i1 C ik+1 m k i1 C ik Om vi betingr med A k {C ij j k} så är nämnren en konstnt, och vi får Vr( ˆf k A k ) Vr m k i1 C ik+1 A k m k 2 i1 C ik m k i1 Vr(C ik+1 A k ) m k 2, i1 C ik där den ndr likheten följer v tt skdeåren enligt (CL2) är oberoende (CL3) tt Vr(C ik+1 A k )C ik σk, 2 så vi får Vidre ger Vr( ˆf k A k ) m k i1 C ik σk 2 m k 2 i1 C ik σ 2 k m k i1 C ik Enligt (CL1 ) på sid 5 i Dhl är de enskild kvotern C ik+1 /C ik väntevärdesriktig skttningr v konstnten f k, givet A k, och därför gäller det smm för det vägd medelvärdet ˆf k Så Vr(E[ ˆf k A k ]) Vr(f k ) Den obetingde vrinsen blir därför Vr( ˆf k )E[Vr( ˆf k A k )] + Vr(E[ ˆf σ 2 k k A k ]) E m k +σ 2 1 k E i1 C m k ik i1 C ik Uppgift 81 Vi hr Cov(X, Y X) Cov(X, Y ) Cov(X, X) Cov(X, Y ) Vr(X), så tt Cov(X, Y ) Vr(X) Uppgift 82 Om mn tolkr (BF2) Un-emerged clims re independent of emerged clims som tt D ij C ij C ij 1 är oberoende v C ij 1 för j 2, 3,m, så hr vi Vr(C ij )Vr(D ij +C ij 1 )Vr(D ij )+Vr(C ij 1 )
16 Enligt (BF4) gäller för ll k m tt Vr(F ik C ik )F ik Vr(C im ), där F ik E[C im ]/E[C ik ] Eftersom F ik är konstnter kn (BF4) formulers som så tt Vr(C ik ) Vr(C im) F ik, Vr(D ij )Vr(C ij ) Vr(C ij 1 )Vr(C im ) 1 1 F ij F ij 1 Å ndr sidn är E[D ij ]E[C ij C ij 1 ]E[C ij ] E[C ij 1 ] E[C im] E[C im] 1 E[C im ] 1 F ij F ij 1 F ij F ij 1 enligt definitionen v F ij och F ij 1 Dett visr tt Vr(D ij )oche[d ij ] är proportionell, med en proportionlitetskonstnt Vr(C im )/E[C im ] som inte beror på utvecklingsåret j För tt summn i uppgiftens ndr del sk vr väldefinierd, måste vi definier D ij ä v e n för j 1, vilket vi gör genom tt sätt C i (vilket är nturligt: hr ingen tid förflutit, så hr ing skdor kommit in) och därmed D i 1 C i 1 Då får vi m m Vr(D ij ) Vr(D i 1 )+ Vr(D ij )Vr(C im ) 1 m j1 j2 F i 1 j2 F ij F ij 1 1 Vr(C im ) Vr(C im ) E[C im] F im E[C im ] Vr(C im) Uppgift 83 Eftersom F ij E[C im ]/E[C ij ] är känt ger skttningen Ĉim även skttningr och därmed skttningr Ĉ ij Ĉim F ij, ˆD ij Ĉim Ĉim 1 F ij F Ĉim 1 ij 1 F ij F ij 1 Extruppgift 112 Låt D ij vr inkrementen som i Dhl kpitel 11, med väntevärden givn v modellen E[D ij ]cn i r j λ i+j Vi låter i, 1,m 1ochj 1, 2,m, och definierr, för k 1, 2,,m, väntevärdesdigonlsummorn d k i+jk E[D ij ] n i k r j cλ i+j cλ k r j i+jk j1
17 På motsvrnde vis bildr vi de observerde digonlsummorn d obs k i+jk D ij n i i+jk B ij Som i Dhl kpitel 11 kn d obs k nvänds för tt rekursivt ge skttningr cˆλ k och ˆr k v cλ k och r k, i ordningsföljden cˆλ m,ˆr m, cˆλ m 1,ˆr m 1, Vi hr cˆλ j d obs j 1 k1 ˆr k, ˆr j i B ij i cˆλ m i Sätter vi in dess prmeterskttningr i formeln för d k så får vi de skttde digonlsummorn k ˆd k cˆλ k ˆr j Summn v den npssde tringeln v skttde väntevärden ges v m k1 ˆdk och summn v den observerde tringelns B-värden ges v m k1 d obs k, så uppgiften går ut på tt vis tt m m ˆd k d obs k Vi hr Å ndr sidn är m k1 d obs k k1 m k1 i+jk j1 k1 B ij m j1 i B ij m k1 Vilket skulle beviss m k m m m ˆd m k cˆλ kˆr j cˆλ kˆr j ˆr j cˆλ k k1 j1 j1 kj j1 kj m j1 i B ij i cˆλ m i m m cˆλ k B ij kj j1 i Exercise 11 i Reinsurnce Eftersom Stop Loss inte hr något självbehåll lls på den individuell nivån, så måste vi h r Det ggregerde självbehållet är A, smm som tröskelvärdet A i Stop Lossåterförsäkringen Eftersom det inte finns någon övre gräns för hur mycket återförsäkringsbolget betlr ut, så måste vi h (K +1) Ett nturligt vl för tt uppnå dett är K och Enligt Reinsurnce, formel (14) på sid 3 blir riskpremien i det här fllet där S är hel skdebeloppet L S ( ) L S (A) E[S] L S (A),
Föresläsningsanteckningar Sanno II
Föresläsningsanteckningar 1 Gammafunktionen I flera av våra vanliga sannolikhetsfördelningar ingår den s.k. gamma-funktionen. Γ(p) = 0 x p 1 e x dx vilken är definierad för alla reella p > 0. Vi ska här
Läs merMatematisk statistik för B, K, N, BME och Kemister
Mtemtisk sttistik för B, K, N, BME och Kemister Föreläsning 2 John Lindström 3 ugusti 217 John Lindström - johnl@mths.lth.se FMSF7/MASB2 F1 1/22 Grundläggnde begrepp Stokstisk vribel Snnolikhetsfunktion
Läs merDiskreta stokastiska variabler
Definitioner: Diskret stokstisk vribler Utfllet i ett slumpmässigt försök i form v ett reellt tl, betrktt innn försöket utförts, klls för stokstisk vribel eller slumpvribel (oft betecknd ξ, η ) Ett resultt
Läs merKontinuerliga variabler
Kontinuerlig vribler c 005 Eric Järpe Högskoln i Hlmstd Antg tt vi kunde mät med oändligt stor noggrnnhet hur stor strömstyrk en viss typ v motstånd klrr. Ing mätningr skulle då vr exkt lik. Om vi mätte
Läs merStokastiska variabler
Kpitel 4 Stokstisk vribler Ett utfll v ett slumpmässigt försök är oft sådnt som inte direkt kn mäts. T.ex. försöket Kst med ett symmetriskt mynt hr utfllsrummet {kron, klve}. För tt kvntittivt nlyser försök
Läs merMS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del I
MS-A0509 Grundkurs i snnolikhetsklkyl och sttistik Smmnfttning, del I G. Gripenerg Alto-universitetet 6 feruri 2015 1 Snnolikheter Oeroende Betingd snnolikhet Byes formel Klssisk snnolikhet och komintorik
Läs mer1 e x2. lim. x ln(1 + x) lim. 1 (1 x 2 + O(x 4 )) = lim. x 0 x 2 /2 + O(x 3 ) x 2 + O(x 4 ) = lim. 1 + O(x 2 ) = lim = x = arctan x 1
UPPSALA UNIVERSITET Svr till tent i mtemtik Mtemtisk institutionen Anlys MN Distns Jons Elisson 7-- Skrivtid: - 5. Observer tt problemen inte står i svårighetsordning. All svr sk motivers. Det kn krävs
Läs merIntegraler och statistik
Föreläsning 8 för TNIU Integrler och sttistik Krzysztof Mrcinik ITN, Cmpus Norrköping, krzm@itn.liu.se www.itn.liu.se/krzm ver. 4 - --8 Inledning - lite om sttistik Sttistik är en gren v tillämpd mtemtik
Läs merRÄKNEOPERATIONER MED VEKTORER. LINJÄRA KOMBINATIONER AV VEKTORER. ----------------------------------------------------------------- Låt u vr en vektor med tre koordinter u. Vi säger tt u är tredimensionell
Läs merLINJÄR ALGEBRA II LEKTION 1
LINJÄR ALGEBRA II LEKTION JOHAN ASPLUND INNEHÅLL. VEKTORRUM OCH DELRUM Hel kursen Linjär Algebr II hndlr om vektorrum och hur vektorrum (eller linjär rum, som de iblnd klls) beter sig. Tidigre hr mn ntgligen
Läs merGrundläggande matematisk statistik
Grundläggnde mtemtisk sttistik Diskret och kontinuerlig slumpvribler Uwe Menzel, 208 uwe.menzel@slu.se; uwe.menzel@mtstt.de www.mtstt.de Diskret och kontinuerlig slumpvribler Slumpvribel (s.v.): vribel
Läs merMATEMATISK STATISTIK I FORTSÄTTNINGSKURS. Tentamen måndagen den 17 oktober 2016 kl 8 12
Kurskod: TAMS65 Provkod: TEN MATEMATISK STATISTIK I FORTSÄTTNINGSKURS Tentmen måndgen den 7 oktober 206 kl 8 2 Hjälpmedel: Formelsmling i mtemtisk sttistik utgiven v mtemtisk institutionen och/eller formelsmling
Läs merVilken rät linje passar bäst till givna datapunkter?
Vilken rät linje pssr bäst till givn dtpunkter? Anders Källén MtemtikCentrum LTH nderskllen@gmil.com Smmnfttning I det här dokumentet diskuterr vi minst-kvdrtmetoden för skttning v en rät linje till dt.
Läs merTATA42: Föreläsning 4 Generaliserade integraler
TATA42: Föreläsning 4 Generliserde integrler John Thim 5 november 28 Vi hr stött på begreppet tidigre när vi diskutert Riemnnintegrler i föregående kurs. Denn gång kommer vi lite mer tt fokuser på frågn
Läs merTATA42: Föreläsning 4 Generaliserade integraler
TATA42: Föreläsning 4 Generliserde integrler John Thim 29 mrs 27 Vi hr stött på begreppet tidigre när vi diskutert Riemnnintegrler i föregående kurs. Denn gång kommer vi lite mer tt fokuser på frågn om
Läs merFöreläsningsmanus i matematisk statistik för lantmätare, vecka 3 och 4 HT07
Föreläsningsmnus i mtemtisk sttistik för lntmätre, veck 3 och 4 HT07 Bengt Ringnér September 5, 2007 Inledning Dett är preliminärt undervisningsmteril. Synpunkter är välkomn. 2 Stokstisk vribler En stokstisk
Läs merTrigonometri. 2 Godtyckliga trianglar och enhetscirkeln 2. 3 Triangelsatserna Areasatsen Sinussatsen Kosinussatsen...
Trigonometri Innehåll 1 Rätvinklig tringlr 1 Godtyklig tringlr oh enhetsirkeln 3 Tringelstsern 4 3.1 restsen.............................. 4 3. Sinusstsen.............................. 5 3.3 Kosinusstsen.............................
Läs merLösningsförslag till tentamen i SF1683 och SF1629 (del 1) 23 oktober 2017
KTH, Mtemtik Mri Sprkin Lösningsförslg till tentmen i SF683 och SF629 (del ) 23 oktober 207 Tentmen består v sex uppgifter där vrder uppgift ger mximlt fr poäng. Preliminär betgsgränser: A 2 poäng, B 9,
Läs merUppgiftssamling 5B1493, lektionerna 1 6. Lektion 1
Uppgiftssmling 5B1493, lektionern 1 6 Lektion 1 4. (Räkning med oändlig decimlbråk) Låt x = 0, 1 2 3 n och y = 0,b 1 b 2 b 3 b n ( i och b i siffror 0, 1,, 9).. Kn Du beskriv något förfrnde som säkert
Läs merFinaltävling den 20 november 2010
SKOLORNAS MATEMATIKTÄVLING Svensk Mtemtikersmfundet Finltävling den 20 november 2010 Förslg till lösningr Problem 1 Finns det en tringel vrs tre höjder hr måtten 1, 2 respektive 3 längdenheter? Lösning
Läs mer19 Integralkurvor, potentialer och kurvintegraler i R 2 och R 3
Nr9,3mj-5,Ameli 9 Integrlkurvor, potentiler och kurvintegrler i R och R 3 9. Integrlkurvor En integrlkurv r(t) ((t), (t)) till ett vektorfält F(, ) är en kurv där vektorfältet är en tngent till kurvn i
Läs merInduktion LCB 2000/2001
Indution LCB 2/2 Ersätter Grimldi 4. Reursion och indution; enl fll n 2 En tlföljd n nturligtvis definiers genom tt mn nger en explicit formel för uträning v n dess 2 element, som till exempel n 2 () n
Läs merMatris invers, invers linjär transformation.
Mtris invers, invers linjär trnsformtion. Påminnelse om mtris beräkningr: ddition, multipliktion med sklärer och mtrisprodukt Algebrisk egenskper hos mtrisddition och multipliktion med ett tl (Ly Sts..,
Läs merGeneraliserade integraler
Generliserde integrler Mtemtik Breddning 2.5 Frm till denn punkt hr vi endst studert integrler där funktionen som skll integrers vrit begränsd. Dessutom hr det intervll över vilket vi integrerr vrit begränst
Läs merReliability analysis in engineering applications
Relibility nlysis in engineering pplictions Etremvärdesfördelningr Mimum och minimum Structurl Engineering - Lund University 1 Etremvärdesfördelningr Vrible lod, q Mvärdet under referensperioden Q 1 Q
Läs mer9. Bestämda integraler
77 9. Bestämd integrler Låt f vr en icke-negtiv, begränsd funktion på [,b]. Vi hr lltså 0 f(x) ll x [,b] för någon konstnt B. B för Problem: Beräkn ren A v den yt som begränss v kurvn y = f(x), x b, x-xeln
Läs merUppsala Universitet Matematiska Institutionen T Erlandsson
Uppsl Universitet Mtemtisk Institutionen T Erlndsson TENTAMEN 5--4 Anlys MN SVAR OCH ANVISNINGAR FRÅGOR... 4. 5. x-xeln 6. y = x + x + 7. y = sin x + 8. y = xe x + 9. y = e x. y = x +.. + x. x = 4. 5.
Läs merAssociativa lagen för multiplikation: (ab)c = a(bc). Kommutativa lagen för multiplikation: ab = ba.
Rtionell tl Låt oss skiss hur mn definierr de rtionell tlen utifrån heltlen. Förutom tt det ger en inblick i hur mtemtiken är uppbyggd, är dett är ett br exempel på ekvivlensreltioner och ekvivlensklsser.
Läs merV1. Intervallet [a,b] är ändligt, dvs gränserna a, b är reella tal och INTE ±. är begränsad i intervallet [a,b].
Armin Hlilovic: ETRA ÖVNINGAR Generliserde integrler GENERALISERADE INTEGRALER När vi definierr Riemnnintegrl f ( ) d ntr vi tt följnde två krv är uppfylld: V. Intervllet [,] är ändligt, dvs gränsern,
Läs merPASS 1. RÄKNEOPERATIONER MED DECIMALTAL OCH BRÅKTAL
PASS. RÄKNEOPERATIONER MED DECIMALTAL OCH BRÅKTAL. Tl, bråktl och decimltl Vd är ett tl för någonting? I de finländsk fmiljern brukr det vnligtvis finns två brn enligt Sttistikcentrlen (http://www.tilstokeskus.fi/tup/suoluk/suoluk_vesto_sv.html).
Läs merV1. Intervallet [a,b] är ändligt, dvs gränserna a, b är reella tal och INTE ±. är begränsad i intervallet [a,b].
Armin Hlilovic: ETRA ÖVNINGAR Generliserde integrler GENERALISERADE INTEGRALER När vi definierr Riemnnintegrl f ( ) d ntr vi tt följnde två krv är uppfylld: V. Intervllet [,] är ändligt, dvs gränsern,
Läs merPreliminär version 2 juni 2014, reservation för fel. Tentamen i matematik. Kurs: MA152G Matematisk Analys MA123G Matematisk analys för ingenjörer
Lösningsförslg Högskoln i Skövde SK, JS) Preliminär version juni 0, reservtion för fel. Tentmen i mtemtik Kurs: MA5G Mtemtisk Anlys MAG Mtemtisk nlys för ingenjörer Tentmensdg: 0-05- kl.0-9.0 Hjälpmedel
Läs merUppsala Universitet Matematiska Institutionen Thomas Erlandsson
Uppsl Universitet Mtemtisk Institutionen Thoms Erlndsson RÄTA LINJER, PLAN, SKALÄRPRODUKT, ORTOGONALITET MM VERSION MER OM EKVATIONSSYSTEM Linjär ekvtionssystem och den geometri mn kn härled ur dess är
Läs mer============================================================ V1. Intervallet [a,b] är ändligt, dvs gränserna a, b är reella tal och INTE.
GENERALISERADE INTEGRALER ============================================================ När vi definierr Riemnnintegrl ntr vi tt följnde två krv är uppfylld: V. Intervllet [,] är ändligt, dvs gränsern,
Läs merKOMPLETTERANDE MATERIAL TILL KURSEN MATEMATIK II, MATEMATISK ANALYS DEL A VT 2015
KOMPLETTERANDE MATERIAL TILL KURSEN MATEMATIK II, MATEMATISK ANALYS DEL A VT 2015 ANDRZEJ SZULKIN 1. Supremum, infimum och kontinuerlig funktioner I ppendix A3 i [PB2] definiers begreppen supremum och
Läs merKontrollskrivning 3 till Diskret Matematik SF1610, för CINTE1, vt 2019 Examinator: Armin Halilovic Datum: 2 maj
Kontrollskrivning 3 till Diskret Mtemtik SF60, för CINTE, vt 209 Emintor: Armin Hlilovic Dtum: 2 mj Version B Resultt: Σ p P/F Etr Bonus Ing hjälpmedel tillåtn Minst 8 poäng ger godkänt Godkänd KS nr n
Läs merSammanfattning, Dag 9
Smmnfttning, Dg 9 Idg studerde vi begrepp sklärprudokt (eller innerprodukt), norm och ortogonlitet på ett llmänt vektorrum. Vi börjde med en kort repetition på smm begrep för vektorrummet R 3. I rummet
Läs merTentamen i Analys B för KB/TB (TATA09/TEN1) kl 08 13
LINKÖPINGS UNIVERSITET Mtemtisk Institutionen Jokim Arnlind Tentmen i Anlys B för KB/TB (TATA9/TEN 5-6- kl 8 3 Ing hjälpmedel är tillåtn. Vrje uppgift kn ge mximlt 3 poäng. Betygsgränser: 8p för etyg 3,
Läs merEGENVÄRDEN och EGENVEKTORER
EGENVÄRDEN och EGENVEKTORER Definition. (Linjär vbildning) En funktion T från R n (n-dimensionell vektorer) till R m (m-dimensionell vektorer) säges vr en linjär vbildning ( linjär funktion eller linjär
Läs merIntegralen. f(x) dx exakt utan man får nöja sig med att beräkna
CTH/GU STUDIO TMVb - / Mtemtisk vetenskper Integrlen Anlys och Linjär Algebr, del B, K/Kf/Bt Inledning Mn kn inte lltid bestämm integrler f() d ekt utn mn får nöj sig med tt beräkn pproimtioner. T.e. e
Läs merSF1625 Envariabelanalys
SF1625 Envribelnlys Föreläsning 13 Institutionen för mtemtik KTH 27 september 2017 SF1625 Envribelnlys Anmäl er till tentn Anmäl er till tentn nu. Det görs vi min sidor. Om det inte går, mejl studentexpeditionen
Läs merUppsala Universitet Matematiska Institutionen Bo Styf. Genomgånget på föreläsningarna Föreläsning 16-17, 2010:
Uppsl Universitet Mtemtisk Institutionen Bo Styf Envribelnlys, 0 hp STS, X 00-0-7 Föreläsning 6-7, 00: Genomgånget på föreläsningrn 6-0. Här gick vi inte igenom något nytt mteril, utn räknde igenom Blndde
Läs merUppsala Universitet Matematiska Institutionen Bo Styf. Sammanfattning av föreläsningarna 5-7.
Uppsl Universitet Mtemtisk Institutionen Bo Styf LAoG I, 5 hp ES, KndM, MtemA -9-6 Smmnfttning v föreläsningrn 5-7. Föreläsningrn 5 7, 7/9 6/9 : Det kommer, liksom i lärooken, inte tt finns utrymme för
Läs merSats 3: Egenskaper. (a) (b) f(x) dx = 2 f(x) dx. (c) (Af(x) + Bg(x))dx. g(x) dx = A. (d) (e) Om a b och f(x) g(x) (f) Triangelolikheten: Om a b
Sts 3: Egenskper () f(x) dx = 0 (b) f(x) dx = b f(x) dx (c) (Af(x) + Bg(x))dx = A f(x) dx + B g(x) dx (d) f(x) dx + c c f(x) dx = b f(x) dx (e) Om b och f(x) g(x) f(x) dx g(x) dx (f) Tringelolikheten:
Läs merSF1625 Envariabelanalys
Modul 5: Integrler Institutionen för mtemtik KTH 30 november 4 december Integrler Integrler är vd vi sk håll på med denn veck och näst. Vi kommer tt gör följnde: En definition v vd begreppet betyder En
Läs merGEOMETRISKA VEKTORER Vektorer i rummet.
GEOMETRISKA VEKTORER Vektorer i rummet. v 6 Någr v de storheter som förekommer inom nturvetenskp kn specificers genom tt ders mätetl nges med ett end reellt tl. Exempel på sådn storheter, som klls sklär
Läs merTATA42: Tips inför tentan
TATA42: Tips inför tentn John Thim 25 mj 205 Syfte Tnken med dett kort dokument är tt ge lite extr studietips inför tentn. Kursinnehållet definiers så klrt fortfrnde v kursplnen och kurslitterturen så
Läs merTMV151/TMV181. Fredrik Lindgren. 19 november 2013
TMV151/TMV181 Fredrik Lindgren Mtemtisk vetenskper Chlmers teknisk högskol och Göteborgs universitet 19 november 2013 F. Lindgren (Chlmers&GU) Envribelnlys 19 november 2013 1 / 24 Outline 1 Mss, moment
Läs merMatematisk statistik för B, K, N, BME och Kemister. Matematisk statistik slumpens matematik. Exempel: Utsläpp från Källby reningsverk.
Mtemtisk sttistik för B, K, N, BME och Kemister Föreläsning 1 John Lindström 1 september 2014 John Lindström - johnl@mths.lth.se FMS086/MASB02 F1 2/26 Exempel Tillämpningr Signlbehndling Mtemtisk sttistik
Läs merIntegraler. 1 Inledning. 2 Beräkningsmetoder. CTH/GU LABORATION 2 MVE /2013 Matematiska vetenskaper
CTH/GU LABORATION MVE6 - / Mtemtisk vetenskper Inledning Integrler Iblnd kn mn inte bestämm integrler exkt utn mn får nöj sig med tt beräkn pproximtioner. T.ex. e x dx kn inte beräkns exkt, eftersom det
Läs merSidor i boken
Sidor i boken -5 Vi räknr en KS För tt ni sk få en uppfttning om hur en KS kn se ut räknr vi här igenom den end KS som givits i denn kurs! Totlt kn mn få poäng. Om mn lycks skrp ihop 7 poäng eller mer
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 merf(x)dx definieras som arean av ytan som begränsas av y = f(t), y = 0, t = a och t = b, se figur.
Föreläsning. Integrl En förenkl efinition Antg tt f(x) å x b och tt f(x) är kontinuerlig är. Den bestäm integrlen b f(x)x efiniers som ren v ytn som begränss v y = f(t), y =, t = och t = b, se figur. Insättningsformeln
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 merSF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 4 7 november 2017 1 / 29 Idag Förra gången Viktiga kontinuerliga fördelningar (Kap. 3.6) Fördelningsfunktion (Kap. 3.7) Funktioner av stokastiska
Läs merLäsanvisningar till kapitel
Läsnvisningr till kpitel 4.1 4.6 4.1 Konturer Dett är ett vsnitt om kurvor och hur mn prmetriserr kurvor, som borde vr en repetition från lägre kurser. Låt oss gå igenom lite ändå. Definition 4.1. Låt
Läs merKvalificeringstävling den 2 oktober 2007
SKOLORNAS MATEMATIKTÄVLING Svensk Mtemtikersmfundet Kvlifieringstävling den oktober 007 Förslg till lösningr 1 I en skol hr vr oh en v de 0 klssern ett studieråd med 5 ledmöter vrder Per är den ende v
Läs merAnalys grundkurs B lab 1. Stefan Gustafsson Per Jönsson Fakulteten för Teknik och Samhälle, 2013
Anlys grundkurs B lb 1 Stefn Gustfsson Per Jönsson Fkulteten för Teknik och Smhälle, 13 1 Viktig informtion om lbortionern Lbortionsdelen på kursen i kursen Anlys grundkurs B exminers genom tt mn gör två
Läs merMatematiska uppgifter
Element Årgång 59, 976 Årgång 59, 976 Först häftet 3020. Lös på enklste sätt ekvtionssystemet (Svr: x = v = 2 och y = u = 2) x + 7y + 3v + 5u = 6 8x + 4y + 6v + 2u = 6 2x + 6y + 4v + 8u = 6 5x + 3y + 7v
Läs merMat-1.1510 Grundkurs i matematik 1, del III
Mt-.50 Grundkurs i mtemtik, del III G. Gripenberg TKK december 00 G. Gripenberg TKK) Mt-.50 Grundkurs i mtemtik, del III december 00 / 59 Vribelbyte F gx))g x) dx = d F gx)) dx dx = / b F gx)) = F gb))
Läs merVolym och dubbelintegraler över en rektangel
Volym oh dubbelintegrler över en rektngel All funktioner nedn nts vr kontinuerlig. Om f (x i intervllet [, b], så är ren v mängden {(x, y : y f (x, x b} lik med integrlen b f (x dx. Låt = [, b] [, d] =
Läs merFöreläsning 7: Trigonometri
ht06 Föreläsning 7: Trigonometri Trigonometrisk identiteter En identitet är en likhet som håller för ll värden på någon vriel. Tex så gäller tt ( + ) + + för ll,. Dett skrivs ilnd som ( + ) + +, men vi
Läs mer13 Generaliserade dubbelintegraler
Nr 3, 4 pril -5, Ameli 3 Generliserde dubbelintegrler 3. Generliserde enkelintegrler Integrerbrhet är definiert för funktioner som är begränsde och definierde på ett ändligt intervll. ett kn i mång fll
Läs merLäsanvisningar för MATEMATIK I, ANALYS
Läsnvisningr för MATEMATIK I, ANALYS Läsnvisningrn är tänkt i först hnd för dig som läser kursen mtemtik I på distns, och de sk vägled dig på din res genom nlysen. Stoffet är i stort sett portionert på
Läs merFöreläsning 5, Matematisk statistik Π + E
Repetition Summor max/min Väntevärde Varians Föreläsning 5, Matematisk statistik Π + E Sören Vang Andersen 25 november 2014 Sören Vang Andersen - sva@maths.lth.se FMS012 F5 1/16 Repetition Summor max/min
Läs merExponentiella förändringar
Eonentiell förändringr Eonentilfunktionen - llmänt Eonentilfunktionen r du tidigre stött å i åde kurs oc 2. En nyet är den eonentilfunktion som skrivs y = e. (Se fig. nedn) Tlet e, som är mycket centrlt
Läs merORTONORMERAT KOORDINAT SYSTEM. LÄNGDEN AV EN VEKTOR. AVSTÅND MELLEN TVÅ PUNKTER. MITTPUNKT. TYNGDPUNKT. SFÄR OCH KLOT.
Armin Hlilovi: EXTRA ÖVNINGAR v Vektorer oh koordinter i D-rummet ORTONORMERAT KOORDINAT SYSTEM LÄNGDEN AV EN VEKTOR AVSTÅND MELLEN TVÅ PUNKTER MITTPUNKT TYNGDPUNKT SFÄR OCH KLOT INLEDNING För tt bild
Läs merVolum av rotationskroppar. Båglängd, rotationsytor. Adams 7.1, 7.2, 7.3
Volum v rottionskroppr. Båglängd, rottionsytor. Adms 7., 7., 7.3 Volum v rottionskroppr. Båglängd, rottionsytor. Integrtion v rtionell uttryck, prtilbråksuppdelning. Exempel med invers substitutioner.
Läs merInför tentamen i Analys I och II, TNA008
Inför tentmen i Anlys I och II, TNA008. Gränsvärden () Definition v gränsvärde då x ± ; se Definition.2 och.29 i F.A. (b) Definition v gränsvärde då x. Höger och vänster gränsvärde. Se Definition.9,.2
Läs merSF1901: Sannolikhetslära och statistik
SF1901: Sannolikhetslära och statistik Föreläsning 4. Väntevärde och varians, funktioner av s.v:er, flera stokastiska variabler. Jan Grandell & Timo Koski 10.09.2008 Jan Grandell & Timo Koski () Matematisk
Läs merTATA42: Föreläsning 11 Kurvlängd, area och volym
TATA4: Föreläsning Kurvlängd, re och volm John Thim 4 mrs 8 Kurvlängd Vi börjr med tt betrkt situtionen då en kurv i plnet ges på prmeterform: ((t), (t)). Dett innebär tt både - och -koordintern simultnt
Läs merMat Grundkurs i matematik 1, del II
Mt-1.1510 Grundkurs i mtemtik 1, del II G. Gripenberg TKK 12 november 2009 G. Gripenberg (TKK) Mt-1.1510 Grundkurs i mtemtik 1, del II 12 november 2009 1 / 44 Mx och min Om A R så är mx A det störst elementet
Läs merLösningar och kommentarer till uppgifter i 1.2
Lösningr och kommentrer till uppgifter i.2 202 d) t t 2 25 t (t 5)(t + 5) Med hjälp v konjugtregeln kn vi fktoriser nämnren. Eftersom nämnren inte får bli noll är ej t 5 eller t 5 tillåtn. 206 Först presenterr
Läs merMATEMATIKPROV, LÅNG LÄROKURS BESKRIVNING AV GODA SVAR
MATEMATIKPROV, LÅNG LÄROKURS 905 BESKRIVNING AV GODA SVAR De beskrivningr v svrens innehåll och poängsättningr som ges här är inte bindnde för studentexmensnämndens bedömning Censorern beslutr om de kriterier
Läs merKan det vara möjligt att med endast
ORIO TORIOTO yllene snittet med origmi ed endst någr få vikningr kn mn få frm gyllene snittet och också konstruer en regelbunden femhörning. I ämnren nr 2, 2002 beskrev förfttren hur mn kn rbet med hjälp
Läs merTopologi och konvergens
Topologi och konvergens för viss kurser vid Uppsl universitet Smmnställt v Anders Vretbld 997 års upplg, översedd 28 Innehåll Topologisk grundbegrepp. Öppn och slutn mängder 3.2 Gränsvärde och kontinuitet
Läs merTillämpning - Ray Tracing och Bézier Ytor. TANA09 Föreläsning 3. Icke-Linjära Ekvationer. Ekvationslösning. Tillämpning.
TANA09 Föreläsning 3 Tillämpning - Ry Trcing och Bézier Ytor z = B(x, y) q o Ekvtionslösning Tillämpning Existens Itertion Konvergens Intervllhlveringsmetoden Fixpuntsitertion Newton-Rphsons metod Anlys
Läs merMatematisk statistik för D, I, Π och Fysiker
max/min Matematisk statistik för D, I, Π och Fysiker Föreläsning 5 Johan Lindström 25 september 218 Johan Lindström - johanl@maths.lth.se FMSF45/MASB3 F5 1/25 max/min Johan Lindström - johanl@maths.lth.se
Läs merKurskod: TAMS11 Provkod: TENB 12 June 2014, 14:00-18:00. English Version
Kurskod: TAMS Provkod: TENB 2 June 204, 4:00-8:00 Exmintor/Exminer: Xingfeng Yng (Tel: 070 2234765). You re permitted to bring: clcultor; formel -och tbellsmling i mtemtisk sttistik (from MAI); TAMS :
Läs merLaborationstillfälle 3 Numerisk integration
Lbortionstillfälle 3 Numerisk integrtion Målsättning vid lbtillfälle 3: Klr v lbortionsuppgift. Innn dess läser mn hel texten nog. I mån v tid görs övning, men den är gnsk svår. Numerisk integrtion Oft
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 merSF1901: Sannolikhetslära och statistik
SF9: Sannolikhetslära och statistik Föreläsning 3. Stokastiska variabler, diskreta och kontinuerliga Jan Grandell & Timo Koski 8.9.28 Jan Grandell & Timo Koski () Matematisk statistik 8.9.28 / 45 Stokastiska
Läs merAnalys o 3D Linjär algebra. Lektion 16.. p.1/53
Anlys o 3D Linjär lgebr Lektion 16. p.1/53 . p.2/53 v 3D Linjär lgebr Hr betrktt vektorer v typen etc resp dvs ordnde triplr v typen. reell tl 3D Linjär lgebr Punkt-vektor dulismen En ordnd tripel v typen
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 merSfärisk trigonometri
Sfärisk trigonometri Inledning Vi vill nvänd den sfärisk trigonometrin för beräkningr på storcirkelrutter längs jordytn (för sjöfrt och luftfrt). En storcirkel är en cirkel på sfären vrs medelpunkt smmnfller
Läs mer9. Vektorrum (linjära rum)
9. Vektorrum (linjär rum) 43. Vektorrum (linjärt rum) : definition och xiom 44. Exempel på vektorrum v funktioner. 45. Hur definierr mn subtrktion i ett vektorrum? 46. Underrum 47. Linjärkombintioner,
Läs merStokastiska 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 merSF1911: 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 merGEOMETRISKA VEKTORER Vektorer i rummet.
GEOMETRISKA VEKTORER Vektorer i rummet. v Någr v de storheter som förekommer inom nturvetenskp kn specificers genom tt ders mätetl nges med ett end reellt tl. Exempel på sådn storheter, som klls sklär
Läs merFöreläsning 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 merRationella uttryck. Förlängning och förkortning
Sidor i boken 8-9, 0- Rtionell uttryck. Förlängning och förkortning Först någr begrepp. Aritmetik eller räknelär är den mest grundläggnde formen v mtemtik. Ett ritmetiskt uttryck innehåller tl, men ing
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 mer14. MINSTAKVADRATMETODEN
4 MINTAKADRATMETODEN Nu sk vi gå igenom någr olik sätt tt lös ekvtionssystemet Ax Om A är m n mtris med m n så sägs systemet vr överestämt och det sknr då i llmänhet lösningr Istället söker mn en pproximtiv
Läs merMatematisk statistik 9hp Föreläsning 5: Summor och väntevärden
Matematisk statistik 9hp Föreläsning 5: Summor och väntevärden Anna Lindgren 20+21 september 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F5: väntevärden 1/18 2D stokastisk variabel Tvådim. stokastisk
Läs mer============================================================ V1. Intervallet [a,b] är ändligt, dvs gränserna a, b är reella tal och INTE ±.
GENERALISERADE INTEGRALER När vi definierr Riemnnintegrl ntr vi tt följnde två krv är uppfylld: V Intervllet [,] är ändligt, dvs gränsern, är reell tl och INTE ± V Funktionen f () är egränsd i intervllet
Läs merÖvning 1 Sannolikhetsteorins grunder
Övning 1 Sannolikhetsteorins grunder Två händelser A och B är disjunkta om {A B} =, det vill säga att snittet inte innehåller några element. Om vi har en mängd händelser A 1, A 2, A 3,..., A n, vilka är
Läs mery > 0, 0 < y <1 y växande, 0 < y < 1
Lösningsförslg till tentmensskrivning i Diff & Trns I, 5B12 och Diff & Trns I för LV, 5B122 Fredgen den 2 ugusti 24, kl 14-19 DEL1: 1 Betrkt differentilekvtionen y y (y -1)(y - 3), där y y(t) och t nger
Läs mer24 Integraler av masstyp
Nr, mj -5, Ameli Integrler v msstyp Kurvintegrler v msstyp Vi hr hittills studert en typ v kurvintegrl, R F dr, där vi integrerr den komponent v ett vektorfält F som är tngentiell till kurvn ( dr) i punkter
Läs merAnalys 360 En webbaserad analyskurs Grundbok. Integralkalkyl. MatematikCentrum LTH
Anlys 360 En webbserd nlyskurs Grundbok Integrlklkyl Anders Källén MtemtikCentrum LTH nderskllen@gmil.com Integrlklkyl (3) Introduktion Vi sk här introducer den bestämd integrlen f(x) dx. Den hr nästn
Läs merSF1626 Flervariabelanalys Tentamen 8 juni 2011, Svar och lösningsförslag
SF166 Flervribelnlys Tentmen 8 juni 11, 8. - 13. Svr och lösningsförslg Del A (1 estäm en ekvtion för tngentplnet till ytn z + y z 3 1 i punkten (, y, (1, 1,. (3p b Punkten (, y, z (1.1,.9, t ligger på
Läs mer