MATEMATISK STATISTIK AK, MAS 101:A, VT-01
|
|
- Hans Vikström
- för 6 år sedan
- Visningar:
Transkript
1 LUNDS UNIVERSITET MATEMATIKCENTRUM MATEMATISK STATISTIK ÖVNINGSUPPGIFTER (S-UPPGIFTER) MATEMATISK STATISTIK AK, MAS 101:A, VT I utfallsrummet har händelserna A, B och C sannolikheterna 0.20, 0.4 resp Dessutom är A och B disjunkta, likaså A och C. (a) Hur stor är P(A B)? (b) Hur stor är P(A )? (c) Hur stor är P(AC)? (d) Är B och C disjunkta? 2. Dra samtidigt två kort ur en kortlek. Sannolikheten att det ena är en hjärter är 1/4 och sannolikheten att det andra är en hjärter är också 1/4. Dessutom är sannolikheten att båda är hjärter 1/17. Beräkna sannolikheten att minst ett av korten är hjärter. 3. Visa följande variant av Booles olikhet: P(A B) 1 P(A ) P(B ). Ge exempel på när likhet gäller personer sitter runt ett bord. Kalle vill uttala sig om personernas framtid men känner inte till vilka (av 12 möjliga) stjärntecken de är födda i. Han antar därför en modell där alla möjliga konfigurationer av stjärntecken har samma sannolikhet. Vad är enligt denna modell sannolikheten att (a) alla är födda i samma tecken? (b) minst två är födda i samma stjärntecken? (c) minst två är fiskar? 5. Tag slumpmässigt, utan återläggning, 5 kort ur en kortlek med 52 kort (dvs en pokerhand). Beräkna med hjälp av den klassiska sannolikhetsdefinitionen sannolikheten för att (a) alla är. (b) inget är. (c) fyra är ess. (d) minst ett av korten är ett ess. 6. (Detta problem diskuterades i en brevväxling mellan Fermat och Pascal.) Pierre och Blaise spelar ett spel där i varje omgång båda har lika stor chans att vinna. De satsar 10 franc var och bestämmer att den som först har vunnit 10 omgångar får pengarna. De blir dock avbrutna av Modesty och spelet måste avslutas efter 15 omgångar då Pierre har vunnit 8 omgångar och Blaise 7. Hur bör de dela upp sina 20 F? (Om X är Pierres vinst vid fortsatt spel skall han få E(X ) vid avbrutet.) 7. Ett nytt test för att avslöja en allvarlig sjukdom har tagits fram. Det ger positivt utslag med sannolikhet 0.99 om personen har sjukdomen och med sannolikhet 0.05 om personen inte har den. Det är känt att 1 procent av patienterna har sjukdomen. Beräkna den intressanta sannolikheten att en patient har sjukdomen ifråga om utslaget är positivt. 8. (Gissa först och räkna sedan!) En låda innehåller två mynt, ett vanligt med krona på ena sidan och klave på den andra samt ett med krona på båda sidorna (en s.k. tvåkrona?). Ett mynt väljs slumpvis och kastas varvid krona kommer upp. Med vilken sannolikhet är myntet på den andra sidan också krona?
2 9. Sätt tillräckligt många apor vid var sin skrivmaskin under tillräckligt lång tid och förr eller senare kommer någon apa att producera Shakespeares samlade verk. En skrivmaskin antas ha 50 tangenter inklusive mellanslagstangenten, och en apa antas varje gång trycka ner en av dessa med sannolikheten 1/50 oberoende av vilka tangenter han tidigare använt. Uppskatta hur många apor som måste till för att sannolikheten för att minst en apa med sina 24 första nedslag åstadkommer meningen ATT VARA ELLER INTE VARA skall vara större än 1/2? (Ledning: lim x 0 log(1 x)/x = 1.) 10. Två defekta transistorer har av misstag hamnat i samma ask som tre felfria. För att få reda på vilka tre som går att använda, testar man en transistor i taget tills man funnit antingen de båda defekta eller de tre felfria. Låt X beteckna det antal test man behöver göra. Bestäm fördelningen för X. 11. Låt X vara en stokastisk variabel med täthetsfunktion f X (x) = e x om x 0 och 0 annars. Beräkna fördelningsfunktionen F X. Definiera nu Y = ax + b för en positiv konstant a. Vad blir F Y och f Y? (Tänk på att {Y y} = { Y b a y b a }.) 12. Triangeln RST är liksidig med sidan 1. Man väljer på måfå en punkt Q i triangeln. Härvid ska uttrycket på måfå tolkas så att om A är ett område i triangeln så kommer Q att hamna i A med en sannolikhet som är proportionell mot arean A av A, som alltså (varför?) är lika med 4 A / 3. Ange fördelningsfunktionen för X = avståndet från Q till sidan ST. 13. Visa att funktionen { 1, 0 x 1, 0 y 1 f X,Y (x, y) = 0, annars är en täthetsfunktion för en tvådimensionell stokastisk variabel (X, Y ). (a) Bestäm F Y. (b) Beräkna P(X 2Y ) och P(X 2 + Y 2 1). (c) Är X och Y oberoende? (d) Bestäm F U och F V då U = X + Y och V = min(x, Y ). 14. Betrakta en rektangel med bas X och höjd Y där (X, Y ) har den simultana täthetsfunktionen { 6xy f X,Y (x, y) = 2, 0 x 1, 0 y 1 0, annars (a) Bestäm F X,Y och f X. (b) Vad är sannolikheten att basen är längre än 1/2? (c) Vad är sannolikheten att rektangelns omkrets är mindre än 1? (d) Bestäm f Z då Z = max(x, Y ). (e) Låt U vara oberoende av X med fördelning F U = F X. Betrakta rektanglarna A och B med sidor (X, U ) respektive (X, X ). Vad är väntevärdena av rektanglarnas areor och omkretser? 15. De tre fångarna Pål, Petter och Per får besked att två av tre skall avrättas. Pål pratar med fångvaktaren och säger: Vi vet båda att åtminstone en av Petter och Pär ska avrättas. Om du vet någonting, kan du väl säga namnet på en som ska avrättas av dessa två. Fångvaktaren ser ingen skada i att tala om för Pål att Petter ska avrättas. Pål blir glad när han hör detta, för nu har sannolikheten att han ska avrättas sjunkit från 2/3 till 1/2. Har Pål resonerat rätt? (Ledning: Antag att fångvaktaren med sannolikhet 1/2 (eller allmännare p) väljer att ange Petter i det fall han har något val, dvs då Pål frikänns.) 2
3 S-uppgifter: MAS 101:A, VT Låt ett likformigt fördelat slumptal i intervallet (0, 1) ges av u = Generera med hjälp av inversmetoden ett slumptal x från en Laplace-fördelning (alternativt: dubbel exponentialfördelning) med täthetsfunktionen { e f X (x) = x /2, x 0 e x /2, x > Låt X = max{y 1,..., Y 5 }, där Y i R( 1, 4), i = 1,..., 5 är oberoende stokastiska variabler. Generera ett slumptal från X med hjälp av slumptalet u = från R(0, 1). 18. Generera slumptal från en fördelning med täthetsfunktionen { x, 0 x 1 f (x) = 2 x, 1 x 2 med hjälp av rejektionsmetoden. Till ditt förfogande har du två slumptal u 1 = och u 2 = från R(0, 1). 19. Generera slumptal från en fördelning med täthetsfunktionen f (x) = x x6, 0 x 1 med hjälp av rejektionsmetoden. Till ditt förfogande har du två oberoende slumptal och från R(0, 1). 20. Generera slumptal med Box-Müllers metod från N(0, 1) med hjälp av två oberoende slumptal och från en likformig fördelning i intervallet (0, 1). 21. Generera slumptal från N(0, 1) med Marsaglias metod med hjälp av de fyra oberoende slumptalen , , och från en likformig fördelning i intervallet (0, 1). 22. Om x är ett slumptal från (a) R(0, 1), hur genereras ett slumptal från R(a, b)? (b) N(0, 1), hur genereras ett slumptal från N(m, )? (c) (1, 1), hur genereras ett slumptal från (1, a)? 23. (Detta problem är känt under namnet S:t Petersburgsparadoxen.) Du får kasta ett mynt tills klave kommer upp för första gången. Om detta sker i n:te kastet vinner du 2 n kronor. Låt X beteckna vinsten. Visa att E(X ) =. (a) Skulle du vilja betala en miljon kronor för att spela detta spel en gång? (b) Skulle du vilja betala en miljon kronor för varje spel, om du kunde spela så länge du ville, och inte behövde betala förrän du slutade spela? 24. Visa att C(a + bx, c + dy ) = bdc(x, Y ) om a, b, c och d är konstanter. 25. Per äger fyra par skor för utomhusbruk och bor i ett hus med två ytterdörrar. När Per går på promenad väljer han en av utgångarna slumpmässigt med samma sannolikhet, tar på sig ett par skor vid dörren, återvänder så småningom till en slumpmässigt vald dörr och ställer skorna där. Anta att det från början står 2 par skor vid varje dörr och låt X beteckna det antal avslutade promenader han utför innan han finner att alla skor står vid motsatt dörr mot den han vill gå igenom. (a) Beräkna E(X ). (b) Beräkna V(X ). (Betydligt svårare.) (Detta tal finns även i kap 10, där man genom simulering skall uppskatta E(X ). Gör gärna detta för att kontrollera att din räkning stämmer.) 26. Surhetsgraden i ett vattendrag bestäms varje måndag med hjälp av en ph-meter. Därvid uppstår ett fel Y med väntevärde och standardavvikelse = Här bör (= det systematiska felet) vara 0 men 3
4 S-uppgifter: MAS 101:A, VT-01 på grund av en feljustering i ph-metern är = 0.4. Anta vidare att vattnets surhetsgrad varierar från måndag till måndag som en s.v. X med väntevärde 5.5 och standardavvikelse 0.5. Beräkna väntevärde och standardavvikelse för mätresultatet en godtycklig måndag. 27. (Forts från uppgift S26.) Anta att man varje måndag gör tre mätningar på ett vattenprov med surhetsgraden X och att man därefter bildar medelvärdet av de tre mätningarna. Hur stor blir standardavvikelsen för detta medelvärde om de slumpmässiga felen vid de tre mätningarna är oberoende och X varierar som i uppgift S De s.v. X och Y har varianserna V 1 respektive V 2 och korrelationskoefficienten. Bestäm c så att Z = X + cy får minimal varians. Ange även variansen minimivärde. 29. Låt X 1 och X 2 vara oberoende och exponentialfördelade med väntevärdet 1 och sätt Y = min(x 1, X 2 ) och Z = max(x 1, X 2 ). Beräkna korrelationskoefficienten (Y, Z). (Ledning: Utnyttja sambandet X 1 + X 2 = Y + Z och betrakta V(Y + Z). 30. Momentgenererande funktionen för X ges av X (t) = exp(2e t 2), och för Y gäller att ( ) 3e t Y (t) =. 4 Dessutom är X och Y oberoende. (a) Beräkna P(X + Y = 2). (b) Beräkna P(XY = 0). (c) Beräkna E(XY ). 31. (a) Beräkna momentgenererande funktionen Z(t) för en s.v. Z vars täthetsfunktion är f Z (x) = 1 2 e x. (b) Beräkna momentgenererande funktionen X (t) för en s.v. X som är exponentialfördelad med täthetsfunktionen f X (x) = e x för x 0. (c) Bevisa att för varje s.v. Y är Y (t) = Y ( t). (d) De s.v. X och Y är oberoende och exponentialfördelade med täthesfunktioner f X (x) = f Y (x) = e x för x 0. Beräkna X Y (t). (Ledning: Utnyttja att X Y = X + ( Y ) och använd resultaten i (b) och /c) ovan. (e) Jämför den i (a) beräknade funktionen Z(t) med den i (d) beräknade funktionen X Y (t). Slutsats? 32. Låt S = N i=1 X i, där N är en heltalsvärde s.v. och {X i } N i=1 är likafördelade. Anta vidare att alla ingående s.v. är oberoende. (a) Visa att S(t) = P N ( X (t)), där P N (s) är sannolikhetsgenererande funktionen för N. (b) Visa att E(S) = E(X ) E(N ). (c) Visa att V(S) = V(X ) E(N ) + V(N ) E(X ) (För r:te gången-fördelning.) Ett mynt kastas upprepade gånger. Anta att P(krona) = p. Låt Z vara det antal kast som behövs för att få krona r gånger. (a) Bestäm P(Z = k). (b) Beräkna E(Z) och V(Z). 4
5 S-uppgifter: MAS 101:A, VT-01 (c) Beräkna sannolikhetsgenererande funktionen för Z. 34. Låt den s.v. X ha täthetsfunktion f X (x) = 2x, 0 x 1, vara väntevärde och stan- samt låt m och dardavvikelse. (a) Uppskatta P(m 2 < X < m+2 ) med hjälp av Tjebysjevs olikhet. (b) Beräkna sannolikheten. (c) Var uppskattningen bra? 35. Den s.v. X är Poissonfördelad med väntevärde m, och den har då även variansen m. Beräkna approximativt väntevärde och varians för Y = X. 36. Beräkna E(1/X ) och 1/E(X ) då X (2, 1). 37. De s.v. X och Y är oberoende och har samma väntevärde m medan V(X ) = 1 och V(Y ) = 4. Man sätter Z = c 1 X + c 2 Y och önskar välja koefficienterna c 1 och c 2 så att E(Z) = m. Detta ger ett villkor på koefficienterna. Vilket? Om man under detta bivillkor vill minimera V(Z) som funktion av c 1 och c 2, hur skall koefficienterna då väljas? 38. I det gamla relativa betygssystemet antog man att elevernas kunskaper följde en normalfördelningskurva så att 7 % skulle ha ettor, 24 % tvåor, 38 % treor, 24 % fyror och 7 % femmor (a) Om vi antar att de siffrorna är erhållna enligt figuren nedan (med intervallgränser 1.5, 2.5, 3.5 och 4.5), hur stort är väntevärdet och variansen i denna normalfördelning? (b) Om väntevärdet ändras till 3.3 (som skedde i exempelvis i matematik på naturvetenskaplig linje), men variansen behålls oförändrad, hur många kommer då att hamna i de olika betygsgrupperna? % 24% 38% 24% 7% Låt (X, Y ) vara tvådimensionellt normalfördelad med täthetsfunktionen ( [ ( ) 2 ( ) ( ) exp 1 x m x 2(1 2 ) x 2 x m x y my + x y f X,Y (x, y) = 2 x y 1 2 ( y my Visa att X och Y är oberoende om och endast om X och Y är okorrelerade. y ) 2 ]) 40. De s.v. X 1,..., X 10 är oberoende och N(1, 0.05). (a) Ange fördelningen för Y = 10X 1. (b) Ange fördelningen för summan Z = 10 i=1 X i. (c) Beräkna P( Y 10 < 0.1) och P( Z 10 < 0.1). (d) Tillämpning på ovanstående: En 5
6 maskin klipper till bomullsband i bitar, vilkas längd (enhet: meter) visar en slumpmässig variation som är N(1, 0.05). Vid ett tillfälle vill man ha 10 bitar med en sammanlagd längd på 10 meter. Då gör man på ett av nedanstående två sätt: I: Tag ett band slumpmässigt med längden X 1 och klipp till ytterligare 9 precis lika långa bitar. Sammanlagda längden är då Y. II: Tag 10 bitar slumpmässigt med längder X 1, X 2,..., X 10. Deras sammanlagda längd är då Z. Med vilken metod är sannolikheten störst att den sammanlagda längden ligger nära 10? 41. En viss typ av glödlampor har livslängder som är oberoende och exponentialfördelade med väntevärde 1000 (enhet: timme). Hur stor är sannolikheten att 100 lampor av denna typ har en sammanlagd brinntid på minst timmar? 42. Låt (X, Y ) vara tvådimensionellt normalfördelad med täthetsfunktionen ) 1 f X,Y (x, y) = exp 1 ( (1 2 ) (x2 2 xy + y 2 ) Bestäm täthetsfunktionen för den s.v. Z = ax + by. 43. Ett flygbolag tillämpar 8 % överbokning på vissa turer. Detta gör man i den trygga förvissningen om att inte alla som bokat plats kommer att utnyttja denna. I själva verket tror man sig veta, att i medeltal var tionde inbokad resenär aldrig utnyttjar sin bokade plats. Anta att ett plan har 120 platser och att man till en tur bokar in 130 passagerare. Vad är sannolikheten för att någon eller några regelrätt inbokade passagerare inte kommer att få någon plats på resan? Lämpliga approximationer och oberoendeantaganden får göras. 44. En maskin producerar enheter som är defekta med sannolikheten p. Olika enheter är defekta oberoende av varandra. Enheterna paketeras om N enheter i varje paket. Tag ur ett sådant paket utan återläggning n enheter och låt X vara antalet defekta bland dessa. Bestäm fördelningen för antalet defekta enheter Y i hela paketet, givet att X = k. 45. Låt X och Y vara oberoende Poissonfördelade s.v. med väntevärde m 1 respektive m 2. Visa att den betingade sannolikhetsfunktionen för X, givet att X + Y = n, är en binomialfördelning. 46. Låt X vara Poissonfördelad med väntevärde. Visa att p X (k) antar sitt största värde då k = [ ] (heltalsdelen av ). (Ledning: Studera p X (k)/p X (k 1).) 47. På ett bord ligger ett uppslagsverk i tre band, A, B och C, i en trave. En ström av personer utnyttjar oberoende av varandra uppslagsverket på följande sätt: Varje person väljer med lika stor sannolikhet ett av de tre banden, tittar i det och lägger tillbaka det överst i traven. Det händer aldrig att två personer samtidigt utnyttjar uppslagsverket. Traven kan se ut på sex olika sätt: E 1 = ABC, E 2 = ACB, E 3 = BAC, E 4 = BAC, E 5 = CAB, E 6 = CBA (uppifrån räknat). Betrakta detta som en Markovkedja och ställ upp dess övergångsmatris. 48. En sekvens elektriska impulser passerar ett mätinstrument som registrerar det största värdet som har passerat upp till en given 6
7 tidpunkt. Anta att pulserna vid tidpunkterna 1, 2, 3,... kan beskrivas av oberoende s.v. Y 1, Y 2, Y 3,... som är likformigt fördelade på {1, 2, 3, 4, 5}. Detta innebär att om X (1), X (2), X (3),... är de registrerade värdena vid tidpunkterna 1, 2, 3,... så är X (k) = max(y 1,..., Y k ), k = 1, 2,... (a) Ange sannolikhetsfunktionen för den s.v. X (k). (b) Motivera att {X (n), n = 1, 2,...} är en Markovkedja. (c) Ange övergångsmatrisen. (d) Kontrollera resultatet i (a) genom att räkna ut fördelningen för X (3) med hjälp av startfördelning och övergångsmatris. 49. En partikel placeras ut slumpmässigt på en av nedanstående nio punkter. Den utför sedan en slumpvandring så att vid varje steg var och en av de angränsande punkterna (till höger eller vänster, uppåt eller nedåt) väljs med lika stor sannolikhet. Detta betyder att partikeln aldrig stannar kvar i en punkt eller rör sig diagonalt. Beräkna sannolikheten för att partikeln efter tre steg är i origo. (Ledning: Detta kan göras genom att man betraktar en Markovkedja med nio tillstånd, men räkningarna blir hanterligare med en kedja med tre tillstånd. Om du inte direkt ser hur de tre tillstånden bör väljas, inför nio tillstånd och tänk sedan ut hur de kan reduceras till tre.) 50. Markovkedjan {X n, n = 0, 1, 2,...} har tillstånden 1, 2, 3, 4 och övergångsmatrisen Visa att det existerar en asymptotisk fördelning och bestäm denna. 51. Låt A och B vara två urnor. I urnorna ligger sammanlagt 6 kulor numrerade från 1 till 6. Vid tidpunkterna n = 1, 2,... kastas en symmetrisk tärning, och den kula vars nummer är lika med utfallet i tärningskastet flyttas över till den andra urnan. Låt X n vara antalet kulor i urna A vid tidpunkten n. Då är {X n, n = 1, 2,...} en Markovkedja. Bestäm dess övergångsmatris och stationära fördelning. 52. Vid tiden 0 sänder man upp en satellit innehållande bland annat två radiosändare. Dessa fungerar båda vid uppskjutningstillfället, men var och en av dem går därefter sönder, oberoende av varandra, med den konstanta intensiteten. När båda sändarna har gått sönder tystnar satelliten. Med vilken intensitet tystnar satelliten? (Den efterfrågade intensiteten kommer att bli tidsberoende.) 53. (Forts. från föregående uppgift.) Anta att bara en av sändarna är inkopplad från början och den andra kopplas in först när den första går sönder. Med vilken intensitet kommer satelliten i så fall att tystna? 54. En viss elektronisk utrustning går vid åldern t sönder med intensiteten (t) = t t + 1. I en satellit som är avsedd att fungera 4 tidsenheter, ska man installera ett nytt exemplar av nämnda utrustning. Man behöver dock inte sätta in ett nytt tillverkat 7
8 exemplar, utan kan använda ett med åldern a. Hur ska a väljas för att man ska uppnå maximal sannolikhet för att utrustningens återstående livslängd är minst 4 tidsenheter? (Man sätter naturligtvis inte in ett exemplar som redan gått sönder.) 55. Låt {X (t), t 0} vara en livslängdsprocess med intensitetsfunktionen (t). Låt Y a beteckna återstående livslängd för en vid tiden a levande individ. Beräkna E(Y a ) om (t) = t/(1 + t). 56. Händelser inträffar för t 0 enligt en Poissonprocess. Under intervallet (0, 2) observerar man att fyra händelser inträffar. Bestäm sannolikheten för att två av dessa inträffar i intervallet (0, 1) och de återstående två i intervallet (1, 2). 57. Vid en trafikundersökning räknade man antalet bilar som passerade en viss punkt på en väg. Strömmen av bilar i vägens ena riktning beskrivs av en Poissonprocess med intensiteten 2 (enhet: minut 1 ), i den andra riktningen av en Poissonprocess med intensiteten 3. De båda Poissonprocesserna antas vara oberoende. Man beslöt upphöra med räkningen när 400 bilar passerat. Låt T vara den tid (enhet: minut) som förflyter tills man räknat in det nämnda antalet bilar. Bestäm med lämplig approximation talet a så att P(T a) = På en glest trafikerad väg kör bilar i båda riktningarna enligt oberoende Poissonprocesser med intensiteterna två bilar per minut i ena riktningen och tre bilar per minut i den andra riktningen. Anta att man börjar räkna bilarna vid en viss tidpunkt. (a) Med vilken sannolikhet kommer det på två minuter precis fyra bilar från vardera hållet? (b) Med vilken sannolikhet kommer det sammanlagt fyra bilar på en minut? (c) Med vilken sannolikhet kommer det först en bil i den riktning där det i genomsnitt passerar tre bilar per minut? 59. En lian är L meter lång. Utefter linan förekommer felställen enligt en Poissonprocess med intensiteten fel per meter, dvs antalet felställen är en stokastisk variabel X (L) Po( L). Felställena har oberoende draghållfastheter som är rektangelfördelade mellan 0 och k, där k är en känd konstant. Utanför felställena har lianen draghållfastheten k. Bestäm sannolikheten att lianen håller om den utsätts för en belastning y, 0 < y < k. 60. En födelsedödsprocess med tillstånden E 0, E 1, E 2,... har födelseintensiteterna n = / n + 1 och dödsintensiteterna n = n, där och är positiva konstanter med / =. Beräkna den asymptotiska fördelningen. (Du kan förutsätta att en sådan existerar.) 61. Till en affär med en expedit anländer kunder enligt en Poissonprocess med intensiteten. Vid eventuell köbildning stressas expediten så att betjäningarna avslutas med intensiteten i om totalt i kunder befinner sig i butiken (inklusive den som betjänas). Beräkna jämviktsfördelningen för antalet kunder i butiken. 62. Till en telefonväxel med 15 utgående linjer kommer anrop enligt en Poissonprocess med intensiteten 4 minut 1. Samtalslängderna är exponentialfördelade med väntevärdet 3 minuter. (a) Ange den asymptotiska fördelningen för antalet pågående samtal. (b) Beräkna numeriskt den asymptotiska sannolikheten att högst 10 linjer är upptagna. (Ledning: Använd tabell för Poissonfördelningen.) 8
9 63. Ett pumpverk består av två pumpar. Anta att pumparna parallellkopplas och att de när båda fungerar har en felintensitet p (per pump) som är lägre än felintensiteten då endast en pump fungerar. Beräkna väntevärdet av tiden som pumpverket fungerar. 64. Ett universitetsbibliotek har tre kopieringsapparater som går sönder med intensiteterna 1, 1 respektive 2. En reparatör reparerar dem med intensiteten. När både en typ 2 -apparat och en eller två typ 1 -apparater är sönder repareras typ 2 -apparaten först. Vad är sannolikheten att en student som kommer till biblioteket finner minst två apparater i funktion om 1 = 2 2 = 0.1 gång/dag och reparationstiden i genomsnitt är en dag. Alla funktions- och reparationstider antas vara exponentialfördelade. 65. Om en stokastisk variabel X 0 så är även E(X ) 0. Visa att X Y medför E(X ) E(Y ). 66. Låt A vara en delmängd av R och X en stokastisk variabel. Finn funktionen g så att E[g(X )] = P(X A). 67. Låt (X, Y ) vara en tvådimensionell stokastisk variabel, visa att f Y (y) = E(f Y X (y X )). 9
10 Svar: 1. (a) 0.60 (b) 0.80 (c) 0 (d) Nej 2. 15/ (a) 1/12 12 (b) 1 (c) 1 ( )/ (a) (b) (c) (d) F 7. 1/6 8. 2/ p X (2) = 1/10, p X (3) = 3/10, p X (4) = 6/ F X (x) = 1 e x för x 0 och F X (x) = 0 för x < 0. F Y (y) = F X ((y b)/a) och f Y (y) = f X ((y b)/a)/a. 0, x < 0, 4x(1 x/ 3) 12. F X (x) = = 4x 4x , 0 x 3/2, 1, x > 3/2. 0, y < (a) F Y (y) = y, 0 y 1 1, 1 < y (b) P(X 2Y ) = 3/4, P(X 2 + Y 2 1) = /4. (c) Ja. (d) F U (u) = F V (v) = 0, u 0 u 2 /2, 0 < u 1 1 (2 u) 2 /2 = 2u u 2 /2 1, 1 < u 2 1, u > 2 0, v < 0 1 (1 v) 2 = 2v v 2, 0 v 1 1, 1 < v. 14. (a) f X (x) = 2x om 0 x 1, 0 annars. F X,Y (x, y) = max(x 2, 1) max(y 3, 1) om 0 x och 0 y, 0 annars. (b) 3/4 (c) 1/10 (d) f Z (z) = 5z 4 om 0 z 1, 0 annars (e) E(area(A)) = E(XU ) = 1/9, E(area(B)) = E(X 2 ) = 1/8, E(omkrets(A)) = E(omkrets(B)) = E(X + U ) = 2/ /(1 + p), dvs 2/3 om fångvaktaren med lika stor sannolikhet (p = 1/2) väljer Petter resp. Per Med g(x) = 1/2, 0 x 2; Med g(x) = 2x, 0 x 1; ,
11 , (a) a + (b a)x (b) m + x (c) ax 23. (a) Ganska dåliga odds! (b) Bra spel! (om man har stort tålamod) (a) E(X ) = 12 (b) V(X ) = resp resp c = V 1 /V 2 resp. V 1 (1 2 ) 29. 1/ (a) 467e 2 /4 10 (b) (c) (a) 1/(1 t 2 ), t < 1 (b) 1/(1 t), t < ( ) k (a) p r q k r, k r r 1 (b) ( r/p, rq/p ) 2 r ps (c) 1 qs 34. (a) 3/4 (b) m, 1/ , 1/2 37. c 1 + c 2 = 1, c 1 = 4/5, c 2 = 1/5 38. (a) 3.0 resp (b) 3.6 %, 17.6 %, 36.7 %, 30.6 %, 11.5 % 40. (a) N(10, 0.5) (b) N(10, 0.158) (c) resp (d) metod II N(0, a ab + b 2 ) med normalapproximation, med Poissonapproximation 44. ( N n j k ) p j k q N n j+k, k j N n + k 45. (X X +Y = n) Bin(n, m 1 /(m 1 +m 2 )) (a) P(X (k) = i) = i k (i 1) k, i = 2, 3, 4, 5 = 5 k 1 5, i = 1 k (b) (c) (d) / (1/20, 9/20, 9/20, 1/20) 51. (1, 6, 15, 20, 15, 6, 1)/ (1 e t ) 2 e t 2 t 1 + t 54. a = a 1 + a 56. 3/8 57. a =
12 58. (a) (b) (c) 3/5 59. e Ly/K 60. Po( ) 61. Po( ) 62. (a) k = 12k /k! 15 j=0 12j /j! 63. 1/(2 p ) + 1/ g(x) = 1 om x A och g(x) = 0 om x A
SF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 6 13 november 2017 1 / 29 Idag Förra gången Mer om väntevärden och varianser (Kap. 5.2 5.3) Beroendemått (Kap. 5.4) Summor, linjärkombinationer
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
FINGERÖVNINGAR I SANNOLIKHETSTEORI MATEMATISK STATISTIK AK FÖR I. Oktober Matematikcentrum Matematisk statistik
FINGERÖVNINGAR I SANNOLIKHETSTEORI MATEMATISK STATISTIK AK FÖR I Oktober Matematikcentrum Matematisk statistik CENTRUM SCIENTIARUM MATHEMATICARUM LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK
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
Matematisk 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
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,
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)
Matematisk statistik 9hp Föreläsning 7: Normalfördelning
Matematisk statistik 9hp Föreläsning 7: Normalfördelning Anna Lindgren 29+3 september 216 Anna Lindgren anna@maths.lth.se FMS12/MASB3 F7: normalfördelning 1/18 Kovarians, C(X, Y) Repetition Normalfördelning
Övning 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
FMSF55: Matematisk statistik för C och M OH-bilder på föreläsning 5, a 2 e x2 /a 2, x > 0 där a antas vara 0.6.
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF55: Matematisk statistik för C och M OH-bilder på föreläsning 5, 28-4-6 EXEMPEL (max och min): Ett instrument består av tre komponenter.
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
SF1901: 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
Matematisk 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
Föreläsning 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
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
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
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
TMS136. Föreläsning 4
TMS136 Föreläsning 4 Kontinuerliga stokastiska variabler Kontinuerliga stokastiska variabler är stokastiska variabler som tar värden i intervall av den reella axeln Det kan handla om längder, temperaturer,
LINKÖPINGS UNIVERSITET EXAM TAMS 15 / TEN 1
LINKÖPINGS UNIVERSITET Matematiska institutionen EXAM TAMS 5 / TEN januari 08, klockan 4.00-8.00 Examinator: Jörg-Uwe Löbus (Tel: 0709-6087) Tillåtna hjälpmedel är en räknare, formelsamling i matematisk
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
Tentamen i matematisk statistik (9MA241/9MA341, STN2) kl 08-12
LINKÖPINGS UNIVERSITET MAI Johan Thim Tentamen i matematisk statistik (9MA21/9MA31, STN2) 212-8-2 kl 8-12 Hjälpmedel är: miniräknare med tömda minnen och formelbladet bifogat. Varje uppgift är värd 6 poäng.
Oberoende stokastiska variabler
Kapitel 6 Oberoende stokastiska variabler Betrakta ett försök med ett ändligt (eller högst numrerbart) utfallsrum Ω samt två stokastiska variabler ξ och η med värdemängderna Ω ξ och Ω η. Vi bildar funktionen
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
Lärmål Sannolikhet, statistik och risk 2015
Lärmål Sannolikhet, statistik och risk 2015 Johan Jonasson Februari 2016 Följande begrepp och metoder ska behärskas väl, kunna förklaras och tillämpas. Direkta bevis av satser från kursen kommer inte på
SF1901: 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 &
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
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
Stokastiska processer och simulering I 24 maj
STOCKHOLMS UNIVERSITET LÖSNINGAR MATEMATISKA INSTITUTIONEN Stokastiska processer och simulering I Avd. Matematisk statistik 24 maj 2016 Lösningar Stokastiska processer och simulering I 24 maj 2016 9 14
Matematisk statistik 9 hp Föreläsning 6: Linjärkombinationer
Matematisk statistik 9 hp Föreläsning 6: Linjärkombinationer Anna Lindgren 27+28 september 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F6: linjärkombinationer 1/21 sum/max/min V.v./var Summa av
Övning 1(a) Vad du ska kunna efter denna övning. Problem, nivå A. Redogöra för begreppen diskret och kontinuerlig stokastisk variabel.
Övning 1(a) Vad du ska kunna efter denna övning Redogöra för begreppen diskret och kontinuerlig stokastisk variabel. Definiera fördelningsfunktionen för en stokastisk variabel. Definiera frekvensfunktionen
Statistiska metoder för säkerhetsanalys
F6: Betingade fördelningar Exempel: Tillförlitlighet Styrkan hos en lina (wire) kan modelleras enligt en stokastisk variabel Y. En tänkbar modell för styrkan är Weibullfördelning. Den last som linan utsätts
SF1901 Sannolikhetsteori och statistik I
SF1901 Sannolikhetsteori och statistik I Jimmy Olsson Föreläsning 7 15 november 2017 1 / 28 Lite om kontrollskrivning och laborationer Kontrollskrivningen omfattar Kap. 1 5 i boken, alltså Föreläsning
Summor av slumpvariabler
1/18 Summor av slumpvariabler Måns Thulin Uppsala universitet thulin@math.uu.se Statistik för ingenjörer 9/2 2011 2/18 Dagens föreläsning Parkeringsplatsproblemet Räkneregler för väntevärden Räkneregler
Tentamen i TMA321 Matematisk Statistik, Chalmers Tekniska Högskola.
Tentamen i TMA321 Matematisk Statistik, Chalmers Tekniska Högskola. Tid: Måndagen den 2015-06-01, 8.30-12.30. Examinator och Jour: Olle Nerman, tel. 7723565, rum 3056, MV, Chalmers. Hjälpmedel: Valfri
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
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
LINKÖPINGS UNIVERSITET EXAM TAMS 27 / TEN 2
LINKÖPINGS UNIVERSITET Matematiska institutionen EXAM TAMS 27 / TEN 2 augusti 218, klockan 8.-12. Examinator: Jörg-Uwe Löbus (Tel: 79-62827) Tillåtna hjälpmedel är en räknare, formelsamling i matematisk
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
Övning 1. Vad du ska kunna efter denna övning. Problem, nivå A
Övning 1 Vad du ska kunna efter denna övning Redogöra för begreppen diskret och kontinuerlig stokastisk variabel. Definiera fördelningsfunktionen för en stokastisk variabel. Definiera frekvensfunktionen
Kurssammanfattning MVE055
Obs: Detta är enbart tänkt som en översikt och innehåller långt ifrån allt som ingår i kursen (vilket anges exakt på hemsidan). Fullständiga antaganden i satser kan saknas och fel kan förekomma så kontrollera
Matematisk statistik 9 hp Föreläsning 4: Flerdim
Matematisk statistik 9 hp Föreläsning 4: Flerdim Johan Lindström 3+4 september 26 Johan Lindström - johanl@maths.lth.se FMS2 F4: Flerdim /5 Transformer Inversmetoden Transformation av stokastiska variabler
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
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
Två parametrar: µ (väntevärdet) och σ (standardavvikelsen) µ bestämmer normalfördelningens läge
Lunds tekniska högskola Matematikcentrum Matematisk statistik Matematisk statistik AK för ekosystemteknik, FMSF75 OH-bilder 28-9-3 Normalfördelningen, X N(µ, σ) f(x) = e (x µ)2 2σ 2, < x < 2π σ.4 N(2,).35.3.25.2.5..5
SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 3 Diskreta stokastiska variabler. Jörgen Säve-Söderbergh
SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 3 Diskreta stokastiska variabler Jörgen Säve-Söderbergh Stokastisk variabel Singla en slant två gånger. Ω = {Kr Kr, Kr Kl, Kl Kr, Kl Kl}
Bengt Ringnér. September 20, Detta är föreläsningsmanus på lantmätarprogrammet LTH vecka 5 HT07.
Väntevärden Bengt Ringnér September 0, 007 1 Inledning Detta är föreläsningsmanus på lantmätarprogrammet LTH vecka 5 HT07. Väntevärden Låt X vara en stokastisk variabel som representerar ett slumpmässigt
Tentamen LMA 200 Matematisk statistik,
Tentamen LMA 00 Matematisk statistik, 0 Tentamen består av åtta uppgifter motsvarande totalt 50 poäng. Det krävs minst 0 poäng för betyg, minst 0 poäng för 4 och minst 40 för 5. Examinator: Ulla Blomqvist,
FACIT: Tentamen L9MA30, LGMA30
Göteborgs Universitetet GU Lärarprogrammet 06 FACIT: Matematik för lärare, åk 7-9, Sannolikhetslära och statistik, Matematik för gymnasielärare, Sannolikhetslära och statistik 07-0-04 kl..0-.0 Examinator
(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
SF1901: Sannolikhetslära och statistik. Flera stokastiska variabler.
SF1901: Sannolikhetslära och statistik Föreläsning 5. Flera stokastiska variabler. Jan Grandell & Timo Koski 31.01.2012 Jan Grandell & Timo Koski () Matematisk statistik 31.01.2012 1 / 30 Flerdimensionella
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
1.1 Diskret (Sannolikhets-)fördelning
Föreläsning III. Diskret (Sannolikhets-)fördelning Med diskret menas i matematik, att något antar ett ändligt antal värden eller uppräkneligt oändligt med värden e.vis {, 2, 3,...}. Med fördelning menas
Problemsamling i Sannolikhetsteori
Problemsamling i Sannolikhetsteori till An Intermediate Course in Probability av Allan Gut Sammanställd av Harald Lang 22/5-05 Kapitel 0 (Introduction) Man har ett seriesystem med två enheter som går sönder
Fördelningsfunktionen för en kontinuerlig stokastisk variabel. Täthetsfunktionen för en kontinuerlig och en diskret stokastisk variabel.
Övning 1 Vad du ska kunna efter denna övning Diskret och kontinuerlig stokastisk variabel. Fördelningsfunktionen för en kontinuerlig stokastisk variabel. Täthetsfunktionen för en kontinuerlig och en diskret
Föreläsning 5, Matematisk statistik 7.5hp för E Linjärkombinationer
Föreläsning 5, Matematisk statistik 7.5hp för E Linjärkombinationer Stas Volkov Stanislav Volkov s.volkov@maths.lth.se FMSF20 F5: linjärkombinationer 1/20 sum/max/min V.v./var Summa av två oberoende, Z
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
SF1901: 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
LINKÖPINGS UNIVERSITET EXAM TAMS 27 / TEN 2
LINKÖPINGS UNIVERSITET Matematiska institutionen EXAM TAMS 7 / TEN 8 maj 18, klockan 8.-1. Examinator: Jörg-Uwe Löbus Tel: 79-687 Tillåtna hjälpmedel är en räknare, formelsamling i matematisk statistik
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
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
Vidare får vi S 10 = 8,0 10 4 = 76, Och då är 76
Ellips Sannolikhet och statistik lösningar till övningsprov sid. 38 Övningsprov.. i) P(:a äss och :a äss och 3:e äss och 4:e äss ) P(:a äss) P(:a äss :a äss) P(3:e äss :a och :a äss) antal P(4:a äss :a
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
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 reellvärd funktion definierad på ett utfallsrum Ω kallas en (endimensionell)
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
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
Grundläggande matematisk statistik
Grundläggande matematisk statistik Kontinuerliga fördelningar Uwe Menzel, 8 www.matstat.de Begrepp fördelning Hur beter sig en variabel slumpmässigt? En slumpvariabel (s.v.) har en viss fördelning, d.v.s.
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
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
Jörgen Säve-Söderbergh
SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 8 Binomial-, hypergeometrisk- och Poissonfördelning Exakta egenskaper Approximativa egenskaper Jörgen Säve-Söderbergh Binomialfördelningen
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
SF1922/SF1923: SANNOLIKHETSTEORI OCH DISKRETA STOKASTISKA VARIABLER STATISTIK. Tatjana Pavlenko. 23 mars, 2018
SF1922/SF1923: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 3 DISKRETA STOKASTISKA VARIABLER Tatjana Pavlenko 23 mars, 2018 PLAN FÖR DAGENSFÖRELÄSNING Repetition av betingade sannolikheter, användbara satser
Övningstentamen i matematisk statistik
Övningstentamen i matematisk statistik Uppgift : Från ett register över manliga patienter med diabetes fick man följande statistik i procent: Lindrigt fall Allvarligt fall Patientens Någon förälder med
0 om x < 0, F X (x) = c x. 1 om x 2.
Avd. Matematisk statistik TENTAMEN I SF193 SANNOLIKHETSLÄRA OCH STATISTIK FÖR 3-ÅRIG Media TIMEH MÅNDAGEN DEN 16 AUGUSTI 1 KL 8. 13.. Examinator: Gunnar Englund, tel. 7974 16. Tillåtna hjälpmedel: Läroboken.
Föreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik Chalmers University of Technology April 27, 2015 Tvådimensionella fördelningar Definition En två dimensionell slumpvariabel (X, Y ) tillordnar två numeriska
SF1901: Sannolikhetslära och statistik
SF1901: Sannolikhetslära och statistik Föreläsning 6. Normalfördelning, Centrala gränsvärdessatsen, Approximationer Jan Grandell & Timo Koski 06.02.2012 Jan Grandell & Timo Koski () Matematisk statistik
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
Kap 3: Diskreta fördelningar
Kap 3: Diskreta fördelningar Sannolikhetsfördelningar Slumpvariabler Fördelningsfunktion Diskreta fördelningar Likformiga fördelningen Binomialfördelningen Hypergeometriska fördelningen Poisson fördelningen
Blandade problem från elektro- och datateknik
Blandade problem från elektro- och datateknik Sannolikhetsteori (Kapitel 1-10) E1. En viss typ av elektroniska komponenter anses ha exponentialfördelade livslängder. Efter 3000 timmar brukar 90 % av komponenterna
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
Tentamen i matematisk statistik, TAMS15/TEN (4h)
LINKÖPINGS UNIVERSITET Kurskod: TAMS1 Matematiska institutionen Provkod: TEN1 Johan Thim Datum: 2018-12-42 Institution: MAI Tentamen i matematisk statistik, TAMS1/TEN1 2018-12-42 (4h Hjälpmedel är: miniräknare
1 Stokastiska processer. 2 Poissonprocessen
1 Stokastiska processer En stokastisk process är en stokastisk variabel X(t), som beror på en parameter t, kallad tiden. Tiden kan vara kontinuerlig, eller diskret (i vilket fall man brukar beteckna processen
Tentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE301 Sannolikhet, statistik och risk 2018-10-12 kl. 8:30-13:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Olof Elias, telefon: 031-7725325 Hjälpmedel: Valfri
Tentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE301 Sannolikhet, statistik och risk 2017-08-15 kl. 8:30-13:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Olof Elias, telefon: 031-7725325 Hjälpmedel: Valfri
Finansiell Statistik (GN, 7,5 hp,, VT 2009) Föreläsning 2. Diskreta Sannolikhetsfördelningar. (LLL Kap 6) Stokastisk Variabel
Finansiell Statistik (GN, 7,5 hp,, VT 009) Föreläsning Diskreta (LLL Kap 6) Department of Statistics (Gebrenegus Ghilagaber, PhD, Associate Professor) Financial Statistics (Basic-level course, 7,5 ECTS,
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
Laboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK DATORLABORATION 4 MATEMATISK STATISTIK, FÖR I/PI, FMS 121/2, HT-3 Laboration 4: Stora talens lag, Centrala gränsvärdessatsen och enkla punktskattningar
Föreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik Chalmers University of Technology September 21, 2015 Tvådimensionella fördelningar Definition En två dimensionell slumpvariabel (X, Y ) tillordnar två
Veckoblad 3. Kapitel 3 i Matematisk statistik, Dahlbom, U.
Veckoblad 3 Kapitel 3 i Matematisk statistik, Dahlbom, U. Poissonfördelningen: ξ är Po(λ) λ = genomsnittligt antal händelser i ett intervall. Sannolikhet: P(ξ = ) = e λ λ! Väntevärde: E(ξ) = λ Varians:
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
2 x dx = [ x ] 1 = 1 ( 1 (1 0.9) ) 100 = /
Föreläsning 5: Matstat AK för I, HT-8 MATEMATISK STATISTIK AK FÖR I HT-8 FÖRELÄSNING 5: KAPITEL 4.6 7: SUMMOR, MAXIMA OCH ANDRA FUNKTIONER AV S.V. KAPITEL 5. : VÄNTEVÄRDEN, LÄGES- OCH SPRIDNINGSMÅTT EXEMPEL
Tentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE31 Sannolikhet, statistik och risk 218-1-12 kl. 8:3-13:3 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Olof Elias, telefon: 31-7725325 Hjälpmedel: Valfri miniräknare.
Tentamen LMA 200 Matematisk statistik,
Tentamen LMA Matematisk statistik, Tentamen består av åtta uppgifter motsvarande totalt poäng. Det krävs minst poäng för betyg, minst poäng för 4 och minst 4 poäng för. Examinator: Ulla Blomqvist, ankn
17.1 Kontinuerliga fördelningar
7. Kontinuerliga fördelningar En SV X är kontinuerlig om F X (x) är kontinuerlig för alla x F X (x) är deriverbar med kontinuerlig derivata för alla x utom eventuellt för ändligt många värden Som vi tidigare
FORMELSAMLING HT-18 MATEMATISK STATISTIK FÖR B, K, N, BME OCH KEMISTER; FMSF70 & MASB02. Sannolikhetsteori. Beskrivning av data
LUNDS TEKNISKA HÖGSKOLA MATEMATIKCENTRUM MATEMATISK STATISTIK FORMELSAMLING HT-18 MATEMATISK STATISTIK FÖR B, K, N, BME OCH KEMISTER; FMSF70 & MASB02 Sannolikhetsteori Följande gäller för sannolikheter:
SF1901 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
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
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
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
PROGRAMFÖRKLARING I. Statistik för modellval och prediktion. Ett exempel: vågriktning och våghöjd
Statistik för modellval och prediktion att beskriva, förklara och förutsäga Georg Lindgren PROGRAMFÖRKLARING I Matematisk statistik, Lunds universitet stik för modellval och prediktion p.1/4 Statistik